自监督与混合监督以改进多类医学图像分割的训练标签

准确的训练标签是多类医学图像分割的关键组成部分。由于其需要领域专业知识，其标注成本高昂且耗时。本工作旨在开发一种双分支网络，并自动改进多类图像分割的训练标签。我们使用迁移学习来训练网络并顺序改进不准确的弱标签。双分支网络首先仅通过弱标签进行训练以初始化模型参数。在网络稳定后，冻结共享编码器，并利用强标签和弱标签共同微调强解码器和弱解码器。弱标签的准确性在微调过程中得到迭代提升。所提出的方法应用于腹部 CT 扫描中肌肉、皮下脂肪组织和内脏脂肪组织的三类分割。对 11 名患者的验证结果表明，训练标签的准确性得到了统计显著的改善，肌肉、皮下脂肪组织和内脏脂肪组织的 Dice 相似系数分别从 74.2% 提高到 91.5%、从 91.2% 提高到 95.6%、从 77.6% 提高到 88.5% (p<0.05)。与我们早期的方法相比，标签准确性也有显著提高 (p<0.05)。这些实验结果表明，双分支网络与迁移学习的结合是改进多类分割训练标签的有效手段。