面向半监督医学图像分割的伪标签引导数据融合与输出一致性
图像与视频处理
2023-11-20 v1 计算机视觉与模式识别
机器学习
摘要
基于卷积神经网络的有监督学习算法已成为医学图像分割任务的基准，但其有效性严重依赖大量标注数据。然而，标注医学图像数据集是费力且耗时的过程。受同时使用标注与未标注数据训练的半监督算法启发，我们提出 PLGDF 框架，其构建于均值教师网络之上，以更少标注分割医学图像。我们提出一种新颖的伪标签利用方案，结合标注与未标注数据有效扩充数据集。此外，我们在分割网络解码器模块中强化不同尺度间的一致性，并提出适用于评估该一致性的损失函数。而且，我们对预测结果引入锐化操作，进一步提升分割精度。在三个公开数据集上的大量实验表明，PLGDF 框架可通过引入未标注数据大幅改善性能。同时，我们的框架优于六种最先进的半监督学习方法。本研究代码见 https://github.com/ortonwang/PLGDF。
引用
@article{arxiv.2311.10349,
title = {Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation},
author = {Tao Wang and Yuanbin Chen and Xinlin Zhang and Yuanbo Zhou and Junlin Lan and Bizhe Bai and Tao Tan and Min Du and Qinquan Gao and Tong Tong},
journal= {arXiv preprint arXiv:2311.10349},
year = {2023}
}