MisMatch：基于有限标签下微分形态学特征扰动一致性的校准分割
计算机视觉与模式识别
2023-05-03 v3 人工智能
机器学习
摘要
半监督学习（SSL）是一种有前景的机器学习范式，用于解决医学影像中标签稀缺的问题。SSL方法最初是为图像分类开发的。图像分类中最先进的SSL方法利用一致性正则化来学习对输入级扰动不变的未标记预测。然而，图像级扰动在分割设置中违反了聚类假设。此外，现有的图像级扰动是手工设计的，可能是次优的。因此，将现有的SSL图像分类方法直接适配到分割中并非易事。在本文中，我们提出MisMatch，一种基于成对预测之间一致性的半监督分割框架，这些预测源自两个不同学习的形态学特征扰动。MisMatch由一个编码器和两个解码器组成。一个解码器在未标记数据上学习前景的正注意力，从而生成前景的膨胀特征。另一个解码器在同一未标记数据上学习前景的负注意力，从而生成前景的腐蚀特征。我们首先开发了一个基于2D U-net的MisMatch框架，并在基于CT的肺血管分割任务上进行了广泛的交叉验证，结果表明当仅使用总标签的6.25%时，MisMatch在统计上优于最先进的半监督方法。在第二个实验中，我们表明基于U-net的MisMatch在基于MRI的脑肿瘤分割任务上优于最先进的方法。在第三个实验中，我们表明3D MisMatch在左心房分割任务上优于先前使用输入级增强的方法。最后，我们发现MisMatch相对于基线的性能提升可能源于其更好的校准。
引用
@article{arxiv.2110.12179,
title = {MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels},
author = {Mou-Cheng Xu and Yukun Zhou and Chen Jin and Marius De Groot and Neil P. Oxtoby and Daniel C. Alexander and Joseph Jacob},
journal= {arXiv preprint arXiv:2110.12179},
year = {2023}
}
备注
To appear in IEEE Transactions on Medical Imaging 2023