基于混合约束半监督学习的3D超声医学器械分割
计算机视觉与模式识别
2021-08-03 v1
摘要
3D超声中的医学器械分割对于图像引导介入至关重要。然而，要训练一个成功的深度神经网络用于器械分割，需要大量标注图像，而获取这些图像昂贵且耗时。在本文中，我们提出了一种用于3D超声器械分割的半监督学习（SSL）框架，其所需的标注工作量远少于现有方法。为实现SSL学习，提出了一种Dual-UNet来分割器械。Dual-UNet利用一种新颖的混合损失函数（由不确定性和上下文约束组成）来利用未标注数据。具体而言，不确定性约束利用UNet预测的不确定性估计，从而改进用于SSL训练的未标注信息。此外，上下文约束挖掘训练图像的上下文信息，并将其作为体素级不确定性估计的补充信息。在多个离体和在体数据集上的大量实验表明，我们提出的方法达到了约68.6%–69.1%的Dice分数，且每个体量的推理时间约为1秒。这些结果优于最先进的SSL方法，且推理时间与有监督方法相当。
引用
@article{arxiv.2107.14476,
title = {Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning},
author = {Hongxu Yang and Caifeng Shan and R. Arthur Bouwman and Lukas R. C. Dekker and Alexander F. Kolen and Peter H. N. de With},
journal= {arXiv preprint arXiv:2107.14476},
year = {2021}
}
备注
Accepted by IEEE JBHI