基于流形感知的半监督医学图像分割局部特征建模
计算机视觉与模式识别
2024-10-15 v1
摘要
实现精准的医学图像分割对于有效的治疗计划和准确的疾病诊断至关重要。虽然传统的完全监督深度学习方法在精度方面表现卓越，但其对大量标记数据的依赖往往受限于医学标注所需的专业知识，这导致标注数据获取困难。因此，半监督学习方法逐渐兴起，旨在利用标记数据和未标记数据来缓解标签稀缺问题。本文引入了流形感知局部特征建模网络（MANet），该网络在U-Net架构中引入流形监督信号，以增强边界精度，这对于可靠的医学诊断至关重要。为进一步拓展方法的适用性，本文提出了两个变体：MA-Sobel和MA-Canny。MA-Sobel变体采用Sobel算子，适用于2D和3D数据；MA-Canny变体则针对2D图像设计，采用Canny算子以细化边界检测。这些变体使本方法能够适应各种医学图像模态和维度，确保更广泛的适用性。我们在ACDC、LA和Pancreas-NIH等数据集上进行了大量实验，证明MANet在Dice得分和Jaccard得分等性能指标上 consistently 超过了当前最先进的方法。该方法还显示出在各种半监督分割网络中的更好泛化，凸显其鲁健性和有效性。分割结果的可视化分析表明，MANet提供的类别边界更清晰、更准确，凸显了医学图像分割中流形信息的价值。
引用
@article{arxiv.2410.10287,
title = {Manifold-Aware Local Feature Modeling for Semi-Supervised Medical Image Segmentation},
author = {Sicheng Shen and Jinming Cao and Yifang Yin and Roger Zimmermann},
journal= {arXiv preprint arXiv:2410.10287},
year = {2024}
}
备注
11 pages