基于共分布对齐的半监督医学图像分割
计算机视觉与模式识别
2023-07-25 v1
摘要
当有大量标注数据可用时，医学图像分割已取得显著进展。然而，由于需要专业技能，标注医学图像分割数据集成本高昂。此外，医学图像中类别分布往往不均衡，这严重影响了少数类的分类性能。为解决这些问题，本文提出用于半监督医学图像分割的共分布对齐（Co-DA）。具体而言，Co-DA 在使用一个模型生成的伪标签监督另一个模型之前，以类级别方式将两个不同初始化模型对无标签数据的边际预测与对有标签数据的边际预测对齐。此外，我们设计了一种超期望交叉熵损失来过滤无标签像素，以降低其伪标签中的噪声。在三个公开数据集上的定量与定性实验表明，所提方法在 2D CaDIS 数据集以及 3D LGE-MRI 和 ACDC 数据集上均优于现有的最先进半监督医学图像分割方法，在 CaDIS 上仅用 24% 标注数据即取得 0.8515 的 mIoU，在 LGE-MRI 和 ACDC 上仅用 20% 数据分别取得 0.8824 和 0.8773 的 Dice 分数。
引用
@article{arxiv.2307.12630,
title = {Semi-Supervised Medical Image Segmentation with Co-Distribution Alignment},
author = {Tao Wang and Zhongzheng Huang and Jiawei Wu and Yuanzheng Cai and Zuoyong Li},
journal= {arXiv preprint arXiv:2307.12630},
year = {2023}
}
备注
Paper appears in Bioengineering 2023, 10(7), 869