用于肺叶分割的多任务半监督学习
图像与视频处理
2021-04-23 v1 计算机视觉与模式识别
机器学习
摘要
肺叶分割是分析肺部疾病的一项重要预处理任务。依赖裂隙检测或其他解剖特征（如肺血管和气道分布）的传统方法可提供相当准确的肺叶分割。基于深度学习的方法可以优于这些传统方法，但需要大型数据集。深度多任务学习有望利用多种不同结构的标签。然而，此类标签通常分布在多个数据集中。在本文中，我们提出了一种多任务半监督模型，能够利用来自未标注数据集和标注了不同结构的数据集中的多结构信息。提出了一种聚焦交替训练策略以平衡不同任务。我们在外部独立CT数据集上评估了训练后的模型。结果表明，我们的模型显著优于单任务替代方案，将平均表面距离从7.174 mm改善至4.196 mm。我们还证明了我们的方法以不同网络架构作为骨干时同样成功。
引用
@article{arxiv.2104.11017,
title = {Multi-task Semi-supervised Learning for Pulmonary Lobe Segmentation},
author = {Jingnan Jia and Zhiwei Zhai and M. Els Bakker and I. Hernandez Giron and Marius Staring and Berend C. Stoel},
journal= {arXiv preprint arXiv:2104.11017},
year = {2021}
}
备注
4 pages, to be published in ISBI 2021