面向半监督生物医学图像分割的自监督校正学习
计算机视觉与模式识别
2023-01-13 v1
摘要
生物医学图像分割在计算机辅助诊断中扮演着重要角色。然而，现有的基于CNN的方法严重依赖大量人工标注，这些标注成本高昂且需要巨大的人力资源。在本工作中，我们采用由粗到精的策略，为半监督生物医学图像分割提出了一种自监督校正学习范式。具体而言，我们设计了一个双任务网络，包括一个共享编码器和两个独立解码器，分别用于分割和病灶区域修复。在第一阶段，仅使用分割分支获得相对粗糙的分割结果。在第二步中，我们根据初始分割图在原始图像上遮盖检测到的病灶区域，并将其与原始图像一起再次送入网络，以同时分别执行修复和分割。对于有标签数据，此过程由分割标注监督；对于无标签数据，则由被遮盖病灶区域的修复损失引导。由于这两个任务依赖相似的特征信息，无标签数据有效增强了网络对病灶区域的表示，并进一步提升了分割性能。此外，我们设计了一个门控特征融合（GFF）模块，以整合来自两个任务的互补特征。在包括息肉、皮肤病变和眼底视盘分割在内的三个不同任务的医学图像分割数据集上的实验，充分证明了我们的方法相较于其他半监督方法的卓越性能。代码可在 https://github.com/ReaFly/SemiMedSeg 获取。
引用
@article{arxiv.2301.04866,
title = {Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation},
author = {Ruifei Zhang and Sishuo Liu and Yizhou Yu and Guanbin Li},
journal= {arXiv preprint arXiv:2301.04866},
year = {2023}
}
备注
Accepted by MICCAI2021