重新思考半监督医学图像分割：一种方差缩减视角
计算机视觉与模式识别
2023-10-25 v5 人工智能
机器学习
图像与视频处理
摘要
在医学图像分割中，对比学习是通过对比语义相似与不相似的样本对来提升视觉表征质量的主流做法。其依据是：在不访问真实标签的情况下，若采样到具有真正不相似解剖特征的负样本，可显著提升性能。然而现实中，这些样本可能来自相似解剖区域，且模型可能难以区分少数尾部类样本，使尾部类更易被误分类，二者通常导致模型崩溃。本文提出 ARCO，一种面向医学图像分割、基于分层群论的半监督对比学习（CL）框架。具体而言，我们首先通过方差缩减估计的概念构建 ARCO，并表明某些方差缩减技术在标签极度有限的像素/体素级分割任务中尤为有益。此外，我们从理论上证明这些采样技术在方差缩减上具有普适性。最后，我们在八个基准（即五个 2D/3D 医学及三个语义分割数据集）上以不同标签设置实验验证所提方法，其持续优于最先进的半监督方法。另外，我们将这些采样技术增强到 CL 框架中，并展示出相较先前方法的显著增益。我们认为，通过量化当前自监督目标在完成此类安全关键挑战性任务上的局限，本文是迈向半监督医学图像分割的重要一步。
引用
@article{arxiv.2302.01735,
title = {Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective},
author = {Chenyu You and Weicheng Dai and Yifei Min and Fenglin Liu and David A. Clifton and S Kevin Zhou and Lawrence Hamilton Staib and James S Duncan},
journal= {arXiv preprint arXiv:2302.01735},
year = {2023}
}
备注
Accepted by Advances in Neural Information Processing Systems (NeurIPS 2023)