基于互一致性训练的半监督左心房分割
计算机视觉与模式识别
2021-07-08 v2
摘要
半监督学习在机器学习领域引起了极大关注，尤其在医学图像分割任务中，因为它减轻了为训练收集大量密集标注数据的沉重负担。然而，现有大多数方法在训练过程中低估了具有挑战性区域（例如小分支或模糊边缘）的重要性。我们认为这些未标注区域可能包含更关键的信息，以最小化模型的不确定性预测，并应在训练过程中予以重视。因此，本文提出一种新颖的互一致性网络（MC-Net）用于从三维MR图像中进行半监督左心房分割。具体而言，我们的MC-Net由一个编码器和两个略有差异的解码器组成，两个解码器的预测差异通过我们设计的循环伪标签方案转化为无监督损失，以鼓励互一致性。这种互一致性鼓励两个解码器产生一致且低熵的预测，并使模型逐渐从这些未标注的挑战性区域中捕获泛化特征。我们在公开左心房（LA）数据库上评估了我们的MC-Net，并通过有效利用未标注数据获得了显著的性能提升。我们的MC-Net优于六种近期用于左心房分割的半监督方法，并在LA数据库上确立了新的最先进（SOTA）性能。
引用
@article{arxiv.2103.02911,
title = {Semi-supervised Left Atrium Segmentation with Mutual Consistency Training},
author = {Yicheng Wu and Minfeng Xu and Zongyuan Ge and Jianfei Cai and Lei Zhang},
journal= {arXiv preprint arXiv:2103.02911},
year = {2021}
}
备注
Accepted by MICCAI 2021