通过双任务一致性进行半监督医学图像分割
计算机视觉与模式识别
2023-05-09 v3
摘要
基于深度学习的半监督学习（SSL）算法在医学图像分割中取得了有前景的结果，并可通过利用无标签数据减轻医生昂贵的标注负担。然而，文献中大多数现有的 SSL 算法倾向于通过扰动网络和/或数据来正则化模型训练。观察到多/双任务学习关注具有固有预测扰动的不同层次信息，我们在本工作中提出一个问题：我们能否显式地构建任务级正则化，而非隐式地构造网络级和/或数据级的扰动与变换用于 SSL？为回答该问题，我们首次提出了一种新颖的双任务一致性半监督框架。具体而言，我们使用一个双任务深度网络联合预测像素级分割图和目标几何感知水平集表示。该水平集表示通过可微任务变换层转换为近似分割图。同时，我们引入双任务一致性正则化，作用于水平集导出的分割图与直接预测的分割图之间，适用于有标签和无标签数据。在两个公开数据集上的大量实验表明，我们的方法通过融入无标签数据可大幅提升性能。同时，我们的框架优于最先进的半监督医学图像分割方法。代码见：https://github.com/Luoxd1996/DTC
引用
@article{arxiv.2009.04448,
title = {Semi-supervised Medical Image Segmentation through Dual-task Consistency},
author = {Xiangde Luo and Jieneng Chen and Tao Song and Yinan Chen and Guotai Wang and Shaoting Zhang},
journal= {arXiv preprint arXiv:2009.04448},
year = {2023}
}
备注
AAAI2021; Code is available at https://github.com/HiLab-git/DTC