通过少器官数据集协同训练权重平均模型实现多器官分割
计算机视觉与模式识别
2020-08-18 v1
摘要
多器官分割在许多临床应用中具有广泛用途。为分割多个感兴趣器官，通常很难在同一图像上收集所有器官的完整标注，因为某些医疗中心可能仅根据其自身临床实践标注部分器官。在大多数场景下，人们可能从一个训练集获得单个或少数器官的标注，而从另一组训练图像获得其它器官的标注。现有方法多为每类器官子集训练并部署单一模型，这不仅耗费内存且时间效率低。本文中，我们提出协同训练权重平均模型，以从少器官数据集学习统一的多器官分割网络。我们协作训练两个网络，并让耦合网络在未被标注的器官上相互教学。为缓解网络间带噪的教学监督，采用权重平均模型以产生更可靠的软标签。此外，利用一种新颖的区域掩码，有选择地对需要协作教学的未标注器官区域施加一致性约束，进一步提升了性能。在三个公开可用的单器官数据集 LiTS、KiTS、Pancreas 以及从 MOBA 手动构建的单器官数据集上的大量实验表明，我们的方法能更好地利用少器官数据集，并以更低的推理计算成本取得优越性能。
引用
@article{arxiv.2008.07149,
title = {Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets},
author = {Rui Huang and Yuanjie Zheng and Zhiqiang Hu and Shaoting Zhang and Hongsheng Li},
journal= {arXiv preprint arXiv:2008.07149},
year = {2020}
}
备注
Accepted by MICCAI 2020