用于医学图像分割的混合监督双网络

基于深度学习的医学图像分割模型通常需要具有高质量密集分割的大型数据集进行训练，而此类数据集的准备非常耗时且昂贵。应对这一挑战的一种方法是使用混合监督学习框架，其中仅一部分数据带有分割标签的密集标注，其余数据则带有边界框的弱标注。模型在多任务学习设置下进行联合训练。在本文中，我们提出了混合监督双网络（MSDN），这是一种新颖的架构，由分别用于检测和分割任务的两个独立网络以及两个网络各层之间的一系列连接模块组成。这些连接模块用于从辅助检测任务中传递有用信息以辅助分割任务。我们提出在连接模块中使用一种称为“Squeeze and Excitation”的最新技术来促进信息传递。我们在两个医学图像分割数据集上进行了实验。所提出的MSDN模型优于多个基线模型。