面向半监督医学图像分割的自感知与跨样本原型学习
计算机视觉与模式识别
2023-05-26 v1
摘要
一致性学习在半监督医学图像分割中起着关键作用，它能够在有效利用有限标注数据的同时借助大量未标注数据。一致性学习的有效性与效率受到预测多样性和训练稳定性的挑战，而现有研究常忽视这两点。同时，用于训练的标注数据数量有限，往往不足以构建伪标签的类内紧致性与类间差异性。为解决这些问题，我们提出一种自感知与跨样本原型学习方法（SCP-Net），通过利用来自多个输入的更广泛语义信息来增强一致性学习中的预测多样性。此外，我们引入一种自感知一致性学习方法，利用未标注数据改善每类内伪标签的紧致性。并且，将一种双重损失重加权方法集成到跨样本原型一致性学习方法中，以提升模型的可靠性与稳定性。在 ACDC 数据集和 PROMISE12 数据集上的大量实验验证了 SCP-Net 优于其他最先进的半监督分割方法，并相比有限监督训练取得显著性能提升。我们的代码即将发布。
引用
@article{arxiv.2305.16214,
title = {Self-aware and Cross-sample Prototypical Learning for Semi-supervised Medical Image Segmentation},
author = {Zhenxi Zhang and Ran Ran and Chunna Tian and Heng Zhou and Xin Li and Fan Yang and Zhicheng Jiao},
journal= {arXiv preprint arXiv:2305.16214},
year = {2023}
}
备注
14 pages, Early accepted in MICCAI 2023, code will be released soon