从空间配准中学习半监督医学图像分割
计算机视觉与模式识别
2024-09-17 v1
摘要
半监督医学图像分割在利用有限标注数据和大量未标注数据训练模型方面展现出潜力。然而，最先进的方法忽略了一个潜在有价值的无监督语义信息来源——图像体之间的空间配准变换。为了解决这一问题，我们提出了CCT-R，一个结合配准信息的对比交叉教学框架。为了利用体对之间配准中可用的语义信息，CCT-R结合了两个提出的模块：配准监督损失（RSL）和配准增强正采样（REPS）。RSL利用从标注和未标注体对之间的变换导出的分割知识，提供了额外的伪标签来源。REPS通过使用配准变换跨体识别解剖对应的正样本，增强了对比学习。在两个具有挑战性的医学分割基准上的实验结果证明了CCT-R在各种半监督设置下的有效性和优越性，即使标注样本仅有一个。我们的代码可在https://github.com/kathyliu579/ContrastiveCross-teachingWithRegistration获取。
引用
@article{arxiv.2409.10422,
title = {Learning Semi-Supervised Medical Image Segmentation from Spatial Registration},
author = {Qianying Liu and Paul Henderson and Xiao Gu and Hang Dai and Fani Deligianni},
journal= {arXiv preprint arXiv:2409.10422},
year = {2024}
}