用于CMR分割的质量感知半监督学习

开发用于医学图像分割的深度学习算法面临的挑战之一是标注训练数据的匮乏。为克服此限制，已发展出数据增强与半监督学习（SSL）方法。然而，这些方法效果有限，因为它们要么仅利用现有数据集（数据增强），要么因加入劣质训练样本而带来负面风险（SSL）。分割很少是医学图像分析的最终产物——它们通常用于下游任务以推断高阶模式来评估疾病。临床医生在评估图像分析结果时会考虑大量生物物理与生理学先验知识。我们在先前工作中利用这些临床评估为自动化心脏磁共振（CMR）分析创建了鲁棒的质量控制（QC）分类器。本文提出一种新方案，利用下游任务的QC来识别CMR分割网络的高质量输出，随后将其用于进一步的网络训练。本质上，这在一种用于分割网络的SSL变体（semiQCSeg）中提供了质量感知的训练数据增强。我们在两项CMR分割任务（主动脉与短轴心脏体积分割）中使用UK Biobank数据及两种常用网络架构（U-net与全卷积网络）评估了我们的方法，并与监督和SSL策略进行比较。我们表明semiQCSeg改善了分割网络的训练。它减少了对标注数据的需求，同时在Dice和临床指标上优于其他方法。当标注数据集稀缺时，semiQCSeg可成为训练医学图像数据分割网络的高效方法。