基于双重不确定性的自训练用于半监督医学图像分割
计算机视觉与模式识别
2023-10-11 v2 机器学习
摘要
在半监督医学图像分割领域，标注数据的匮乏是根本性问题。如何从未标注图像中有效学习图像特征以提升分割精度是该领域的主要研究方向。传统自训练方法可通过生成伪标签进行迭代训练，部分解决标注数据不足的问题。然而，训练过程中由于模型不确定性所产生的噪声会直接影响分割结果。因此，我们在自训练框架基础上引入样本级与像素级不确定性以稳定训练过程。具体而言，我们在预训练阶段保存模型的若干时刻状态，并利用它们对未标注样本预测结果的差异作为该样本的样本级不确定性估计。随后，我们在训练过程中由易到难逐步加入未标注样本。同时，我们在分割网络中增加一个采用不同上采样方式的解码器，并利用两个解码器输出之间的差异作为像素级不确定性。简言之，我们有选择地对未标注样本进行再训练，并为伪标签分配像素级不确定性，以优化自训练过程。我们在公开的2017 ACDC数据集和2018 Prostate数据集上将我们的模型与五种半监督方法进行了分割结果对比。在相同的设置下，我们所提出的方法在两个数据集上均取得了更好的分割性能，证明了其有效性、鲁棒性以及向其他医学图像分割任务迁移的潜力。
引用
@article{arxiv.2304.04441,
title = {Self-training with dual uncertainty for semi-supervised medical image segmentation},
author = {Zhanhong Qiu and Haitao Gan and Ming Shi and Zhongwei Huang and Zhi Yang},
journal= {arXiv preprint arXiv:2304.04441},
year = {2023}
}