RCPS：用于半监督医学图像分割的校正对比伪监督
计算机视觉与模式识别
2023-10-10 v2
摘要
医学图像分割方法通常设计为全监督以保证模型性能，这需要大量专家标注的样本，成本高且费力。半监督图像分割可以通过利用大量未标注图像和有限的标注图像来缓解这一问题。然而，由于伪标签中的潜在噪声和特征空间中类别可分离性不足，从大量未标注图像中学习鲁棒表示仍然具有挑战性，这削弱了当前半监督分割方法的性能。为了解决上述问题，我们提出了一种名为校正对比伪监督（RCPS）的新型半监督分割方法，该方法结合了校正伪监督和体素级对比学习，以提高半监督分割的有效性。特别地，我们基于不确定性估计和一致性正则化，为伪监督方法设计了一种新颖的校正策略，以减少伪标签中的噪声影响。此外，我们向网络引入了一个双向体素对比损失，以确保特征空间中的类内一致性和类间对比，从而增加分割中的类可分离性。所提出的 RCPS 分割方法已在两个公开数据集和一个内部临床数据集上得到验证。实验结果表明，与半监督医学图像分割中最先进的方法相比，所提出的方法产生了更好的分割性能。源代码可在 https://github.com/hsiangyuzhao/RCPS 获取。
引用
@article{arxiv.2301.05500,
title = {RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation},
author = {Xiangyu Zhao and Zengxin Qi and Sheng Wang and Qian Wang and Xuehai Wu and Ying Mao and Lichi Zhang},
journal= {arXiv preprint arXiv:2301.05500},
year = {2023}
}