通过变换下一致性学习实现半监督医学图像分割
计算机视觉与模式识别
2019-11-05 v1 机器学习
摘要
标注数据的稀缺性常常限制监督深度学习技术在医学图像分割中的应用。这促使了半监督技术的发展，即从标注与未标注图像的混合中学习。本文提出一种新颖的半监督方法，除在标注训练图像上进行监督学习外，还学习对标注与未标注图像在给定变换类下预测出一致的分割结果。更具体地，本工作探索对弹性形变学习等变性。我们通过以下方式实现：1）具有两个相同分支的 Siamese 架构，每个分支接收不同变换后的图像；2）一个复合损失函数，包含监督分割损失项与鼓励两个分支预测间分割一致性的无监督项。我们使用具有解剖结构分割的胸片公开数据集，通过 5 折交叉验证评估该方法。所提方法相比监督学习达到显著更高的分割精度。这是由于在标注与未标注图像上均学习了变换一致性，其中后者贡献最大。我们在使用远少得多的标注图像情况下，取得了与最先进胸片分割方法相当的性能。
引用
@article{arxiv.1911.01218,
title = {Semi-Supervised Medical Image Segmentation via Learning Consistency under Transformations},
author = {Gerda Bortsova and Florian Dubost and Laurens Hogeweg and Ioannis Katramados and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1911.01218},
year = {2019}
}