基于超像素伪标签精炼的半监督脑肿瘤分割
计算机视觉与模式识别
2024-10-28 v1
摘要
利用有限标注训练神经网络是医学领域的重要问题。深度神经网络（DNN）通常需要大型标注数据集以达到可接受性能，而在医学领域，这类数据集尤其难以获取，因其需要放射科专家的大量时间。半监督学习旨在利用极少量标注数据并结合大量未标注数据来学习分割，从而克服该问题。然而，最知名的技术——利用推断的伪标签——易受不准确伪标签降低性能的影响。我们提出一种基于超像素（相邻像素的有意义簇）的框架，以提高伪标签准确性并解决此问题。我们的框架将超像素与半监督学习结合，在训练期间利用超像素图的特征与边缘精炼伪标签。该方法在多模态磁共振成像（MRI）数据集上针对脑肿瘤区域分割任务进行评估。当标注负担减轻且仅可用5名标注患者时，我们的方法较标准半监督伪标签基线表现出更优性能。我们报告测试集全肿瘤和肿瘤核心区域的DSC=0.824与DSC=0.707。
引用
@article{arxiv.2110.08589,
title = {Pseudo-label refinement using superpixels for semi-supervised brain tumour segmentation},
author = {Bethany H. Thompson and Gaetano Di Caterina and Jeremy P. Voisey},
journal= {arXiv preprint arXiv:2110.08589},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication