PoissonSeg：基于泊松学习的半监督少样本医学图像分割
计算机视觉与模式识别
2021-10-26 v2 机器学习
摘要
深度学习在医学图像分割中的应用一直受到像素级标注数据匮乏的阻碍。少样本语义分割（FSS）是打破这一僵局的一种有前景的策略。然而，高性能的 FSS 模型仍需要充足的像素级标注类别进行训练以避免过拟合，这导致其在医学图像分割中因标注需求未得到满足而遭遇性能瓶颈。因此，相应地提出了面向医学图像的半监督 FSS，以利用无标注数据进一步提升性能。尽管如此，现有的半监督 FSS 方法有两个明显缺陷：（1）忽视有标注与无标注数据之间的关系；（2）直接使用无标注数据进行端到端训练导致表征学习退化。为解决这些问题，我们提出了一种新颖的面向医学图像分割的半监督 FSS 框架。所提框架采用泊松学习对数据关系进行建模并传播监督信号，并采用空间一致性校准促使模型学习更具一致性的表征。在此过程中，无标注样本不参与端到端训练，而是通过基于图的学习为查询图像分割提供监督信息。我们在三个医学图像分割数据集（即 ISIC 皮肤病变分割、MRI 腹部器官分割和 CT 腹部器官分割）上进行了大量实验，以证明所提框架的 SOTA 性能与广泛适用性。
引用
@article{arxiv.2108.11694,
title = {PoissonSeg: Semi-Supervised Few-Shot Medical Image Segmentation via Poisson Learning},
author = {Xiaoang Shen and Guokai Zhang and Huilin Lai and Jihao Luo and Jianwei Lu and Ye Luo},
journal= {arXiv preprint arXiv:2108.11694},
year = {2021}
}
备注
Accepted by 2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM 2021)