MSE-Nets：用于改善边界模糊医学图像分割的多标注半监督集成网络
计算机视觉与模式识别
2023-11-20 v1
摘要
由于医学图像中分割对象与背景的边界模糊，专家对医学图像分割的标注存在差异。尽管在全监督下为每幅图像使用多标注以训练深度模型已被广泛研究，但由于分割标注需要大量的时间与人力成本，获取大量多标注数据具有挑战性，导致大多数图像没有任何标注。为此，我们提出多标注半监督集成网络（MSE-Nets），从有限的多标注数据和丰富的无标注数据中学习分割。具体而言，我们引入网络两两一致性增强（NPCE）模块和多网络伪监督（MNPS）模块，通过考虑两个主要因素来增强 MSE-Nets 的分割任务性能：（1）为优化所有可获取多标注数据的利用，NPCE 在像素级分离多标注数据的一致与不一致标注，并以不同方式处理一致和不一致标注；（2）为减轻不精确伪标签的引入，MNPS 利用来自无标注数据的一致伪标签扩展训练数据。最后，我们通过平均基网络的预测来改进置信度校准。在 ISIC 数据集上的实验表明，我们将多标注数据的需求降低了 97.75%，并将与最佳全监督基线的差距缩小到仅 4% 的 Jaccard 指数。此外，与其他仅依赖单一标注或组合融合方法的半监督方法相比，在 ISIC 和 RIGA 数据集上的综合实验结果证明了我们所提方法在边界模糊医学图像分割中的优越性能。
引用
@article{arxiv.2311.10380,
title = {MSE-Nets: Multi-annotated Semi-supervised Ensemble Networks for Improving Segmentation of Medical Image with Ambiguous Boundaries},
author = {Shuai Wang and Tengjin Weng and Jingyi Wang and Yang Shen and Zhidong Zhao and Yixiu Liu and Pengfei Jiao and Zhiming Cheng and Yaqi Wang},
journal= {arXiv preprint arXiv:2311.10380},
year = {2023}
}