联合分割：一种用于半监督医学图像分割的通用范式
计算机视觉与模式识别
2023-11-21 v1
摘要
标注稀缺已成为训练强大深度学习模型用于医学图像分割的主要障碍，限制了其在临床场景中的部署。为此，利用大量无标注数据进行半监督学习以推动模型训练极为可取。然而，大多数现有工作仍聚焦于有限的医学任务，并低估了跨多样任务与多数据集学习的潜力。因此，本文引入一种通用半监督框架（VerSemi）以指出新视角：将各种任务整合进具有宽泛标签空间的统一模型，从而利用更多无标注数据用于半监督医学图像分割。具体而言，我们引入动态任务提示设计以从不同数据集分割各类目标。接着，该统一模型用于从所有标注数据中识别前景区域，以捕获跨数据集语义。特别地，我们借助 cutmix 策略创建合成任务，以在扩展的标签空间内增广前景目标。为有效利用无标注数据，我们引入一致性约束。这涉及将来自各种任务的聚合预测与来自合成任务的预测对齐，进一步引导模型在训练时准确分割前景区域。我们在四个公开基准数据集上评估了 VerSemi 模型。大量实验表明，VerSemi 能持续大幅优于次优方法（例如，在四个数据集上平均 2.69% 的 Dice 提升），为半监督医学图像分割确立了新的 SOTA 性能。代码将公开。
引用
@article{arxiv.2311.11686,
title = {Segment Together: A Versatile Paradigm for Semi-Supervised Medical Image Segmentation},
author = {Qingjie Zeng and Yutong Xie and Zilin Lu and Mengkang Lu and Yicheng Wu and Yong Xia},
journal= {arXiv preprint arXiv:2311.11686},
year = {2023}
}