基于高质量伪标签的半监督域泛化用于心脏磁共振图像分割
图像与视频处理
2023-12-05 v3 计算机视觉与模式识别
摘要
开发用于医学分割任务的深度学习方法高度依赖大量标注数据。然而，标注需要专业知识且数量有限。近来，半监督学习在医学分割任务中展现出巨大潜力。多数现有与心脏磁共振图像相关的方法仅关注域相似且图像质量高的常规图像。[2] 中提出了一种半监督域泛化方法，提升了多变数据集上伪标签的质量。本文沿用 [2] 的策略，提出一种用于半监督医学分割的域泛化方法。我们的主要目标是在各类域的极端 MRI 分析下提升伪标签质量。我们对输入图像作傅里叶变换以学习底层统计与跨域信息，随后将增广图像输入双交叉伪监督网络以计算伪标签间方差。我们在 CMRxMotion 数据集 [1] 上评估了方法。仅使用部分标注数据且无需域标签，我们的方法持续生成针对不同呼吸运动的心脏磁共振图像的准确分割结果。代码见：https://github.com/MAWanqin2002/STACOM2022Ma
引用
@article{arxiv.2209.15451,
title = {Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance Image Segmentation with High Quality Pseudo Labels},
author = {Wanqin Ma and Huifeng Yao and Yiqun Lin and Jiarong Guo and Xiaomeng Li},
journal= {arXiv preprint arXiv:2209.15451},
year = {2023}
}
备注
Accepted by International Workshop on Statistical Atlases and Computational Models of the Heart (STACOM2022) of MICCAI2022