正交标注惠及极少监督医学图像分割
计算机视觉与模式识别
2023-03-24 v1
摘要
半监督学习近期趋势显著提升了 3D 半监督医学图像分割性能。与 2D 图像相比，3D 医学体数据包含来自不同方向（如横断面、矢状面与冠状面）的信息，从而自然提供互补视图。这些互补视图及相邻 3D 切片间的内在相似性启发我们开发一种新颖标注方式及其相应半监督模型以实现有效分割。具体而言，我们首先提出正交标注，仅标注一个标注体中的两张正交切片，显著减轻标注负担。随后，我们执行配准以为稀疏标注体获取初始伪标签。接着，通过引入未标注体，我们提出名为稠密–稀疏协同训练（DeSCO）的双网络范式，其早期利用稠密伪标签、后期利用稀疏标签，同时强制两网络输出一致。在三个基准数据集上的实验结果验证了我们在性能上的有效性与标注上的高效性。例如，仅用 10 张标注切片，我们的方法在 KiTS19 数据集上达到高达 86.93% 的 Dice。
引用
@article{arxiv.2303.13090,
title = {Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation},
author = {Heng Cai and Shumeng Li and Lei Qi and Qian Yu and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2303.13090},
year = {2023}
}
备注
Accepted to CVPR 2023