基于自适应 Mean Teacher 模型的半监督脑部病灶分割
计算机视觉与模式识别
2019-03-05 v1
摘要
自动脑部病灶分割为患者的分析和干预提供了有价值的信息。特别是，基于卷积神经网络（CNN）的方法已取得了最先进的分割性能。然而，CNN 通常需要大量标注数据，而获取这些数据可能既昂贵又耗时。由于未标注数据通常很丰富，在标注数据有限的情况下，期望利用未标注数据来提升 CNN 的分割性能。在本工作中，我们提出了一种用于脑部病灶分割的半监督学习（SSL）方法，将未标注数据纳入 CNN 的训练中。我们将最初为基于 SSL 的图像分类开发的 mean teacher 模型调整为适用于脑部病灶分割。假设网络应对相似输入产生一致的输出，我们设计了一种分割一致性损失并将其集成到自集成框架中。具体而言，我们构建了一个学生模型和一个教师模型，它们共享用于分割的相同 CNN 架构。学生模型和教师模型交替更新。在每一步中，学生模型通过最小化由标注数据计算的分割损失与由未标注数据计算的教师和学生模型之间的分割一致性损失的加权和，向教师模型学习。然后，使用指数移动平均策略，将更新的学生模型与教师模型的历史信息相结合来更新教师模型。作为演示，所提出的方法在缺血性中风病灶分割上进行了评估，其通过纳入未标注数据改进了中风病灶分割效果。
引用
@article{arxiv.1903.01248,
title = {Semi-Supervised Brain Lesion Segmentation with an Adapted Mean Teacher Model},
author = {Wenhui Cui and Yanlin Liu and Yuxing Li and Menghao Guo and Yiming Li and Xiuli Li and Tianle Wang and Xiangzhu Zeng and Chuyang Ye},
journal= {arXiv preprint arXiv:1903.01248},
year = {2019}
}
备注
Accepted by Information Processing in Medical Imaging 2019