MagicNet：基于魔方划分与恢复的半监督多器官分割
计算机视觉与模式识别
2023-04-07 v2
摘要
我们提出了一种用于半监督多器官分割的新型师生模型。在师生模型中，通常对无标签数据采用数据增强以正则化师生间的一致训练。我们从一个关键视角出发：不同器官固定的相对位置和可变的大小能够提供多器官CT扫描所属的分布信息。因此，我们将先验解剖结构作为强工具来指导数据增强，并减少半监督学习中标签与无标签图像之间的不匹配。更具体地，我们提出了一种基于跨标签与无标签图像以及标签与无标签图像内部 N 立方体划分与恢复的数据增强策略。我们的策略鼓励无标签图像从标签图像（跨分支）中学习相对位置处的器官语义，并增强对小器官（分支内）的学习能力。对于分支内，我们进一步提出通过混合从小立方体学习到的表示以融入局部属性，从而精炼伪标签的质量。我们的方法被称为MagicNet，因为它将CT体数据视为魔方，且 N 立方体划分与恢复过程与玩魔方的规则相匹配。在两个公开CT多器官数据集上的大量实验证明了MagicNet的有效性，并以10%标签图像在MACT数据集上DSC提升+7%的幅度显著优于最先进的半监督医学图像分割方法。代码见 https://github.com/DeepMed-Lab-ECNU/MagicNet。
引用
@article{arxiv.2212.14310,
title = {MagicNet: Semi-Supervised Multi-Organ Segmentation via Magic-Cube Partition and Recovery},
author = {Duowen Chen and Yunhao Bai and Wei Shen and Qingli Li and Lequan Yu and Yan Wang},
journal= {arXiv preprint arXiv:2212.14310},
year = {2023}
}
备注
Accepted by CVPR 2023