通过自监督对比学习利用无标签数据进行三维医学图像分割
计算机视觉与模式识别
2023-11-22 v1
摘要
当前的三维半监督分割方法面临显著挑战,例如对上下文信息的考量有限,以及无法生成可靠的伪标签以有效利用无监督数据。为应对这些挑战,我们引入两个独立的子网络,旨在探索并利用二者间的差异,最终纠正错误的预测结果。更具体地,我们识别出预测不一致的区域,并启动有针对性的验证训练过程。该过程策略性地微调并协调子网络的预测,从而增强上下文信息的利用。此外,为自适应微调网络的表征能力并降低预测不确定性,我们采用自监督对比学习范式。为此,我们利用网络置信度区分可靠与不可靠预测,随后训练模型以有效最小化不可靠预测。我们在临床MRI与CT扫描上获得的器官分割实验结果表明,与最先进的方法相比,我们的方法具有有效性。代码库可在\href{https://github.com/xmindflow/SSL-contrastive}{GitHub}上获取。
引用
@article{arxiv.2311.12617,
title = {Leveraging Unlabeled Data for 3D Medical Image Segmentation through Self-Supervised Contrastive Learning},
author = {Sanaz Karimijafarbigloo and Reza Azad and Yury Velichko and Ulas Bagci and Dorit Merhof},
journal= {arXiv preprint arXiv:2311.12617},
year = {2023}
}