用于半监督医学图像分割的互一致性学习
计算机视觉与模式识别
2022-07-05 v4 人工智能
摘要
本文提出一种新颖的互一致性网络（MC-Net+），以有效利用无标签数据进行半监督医学图像分割。MC-Net+模型的动机源于如下观察：基于有限标注训练的深度模型在医学图像分割的模糊区域（如粘连边缘或细小分支）中易输出高度不确定且易误分类的预测。利用这些困难样本可使半监督分割模型训练更为有效。因此，我们提出的MC-Net+模型包含两项新设计。首先，模型含一个共享编码器与多个略有差异的解码器（即采用不同上采样策略）。计算多个解码器输出的统计差异以表示模型的不确定性，从而指示无标签困难区域。其次，我们对一个解码器的概率输出与其他解码器的软伪标签施加一种新颖的互一致性约束。如此，我们在训练期间最小化多输出的差异（即模型不确定性），并迫使模型在此类困难区域生成不变结果，以正则化模型训练。我们在三个公开医学数据集上将MC-Net+模型与五种最先进的半监督方法进行了分割结果比较。采用两种标准半监督设定的扩展实验证明了我们的模型优于其他方法，为半监督医学图像分割确立了新的SOTA。我们的代码已公开于https://github.com/ycwu1997/MC-Net。
引用
@article{arxiv.2109.09960,
title = {Mutual Consistency Learning for Semi-supervised Medical Image Segmentation},
author = {Yicheng Wu and Zongyuan Ge and Donghao Zhang and Minfeng Xu and Lei Zhang and Yong Xia and Jianfei Cai},
journal= {arXiv preprint arXiv:2109.09960},
year = {2022}
}
备注
Accepted by Medical Image Analysis