通过质量保证监督的半监督多器官分割
图像与视频处理
2019-11-14 v1 计算机视觉与模式识别
机器学习
摘要
人在回路的质量保证（QA）通常在医学图像分割后执行，以确保系统按预期运行，并识别与排除离群值。通过对大规模、先前未标注的测试数据执行 QA，可生成分类 QA 分数。本文中，我们提出一种半监督多器官分割深度神经网络，由传统分割模型生成器与涉及 QA 的判别器组成。使用包含 2027 个体积的大规模数据集训练生成器，其 2-D 蒙太奇图像与带 QA 分数的分割掩码用于训练判别器。为生成 QA 分数，对 2-D 蒙太奇图像进行人工审阅并编码为 0（成功）、1（与已发表性能一致的错误）与 2（严重失败）。随后，用 1623 张蒙太奇图像（三种编码标签等量分布）训练 ResNet-18 网络，并在留作测试队列的 404 张蒙太奇图像上达到 94% 的分类预测准确率。为评估使用 QA 监督的性能，将该判别器用作多器官分割流程中的损失函数。相较基线模型，QA 损失函数的引入将未标注测试数据集上（714 名患者至 951 名患者）的性能提升。此外，失败数量从 606（29.90%）降至 402（19.83%）。所提方法的贡献有三：我们表明 (1) QA 分数可用作损失函数对未标注数据执行半监督学习，(2) 训练良好的判别器由 QA 分数而非传统真/假学习，(3) 未标注数据集上的多器官分割性能可经微调获得比原基线方法更鲁棒且更高的精度。
引用
@article{arxiv.1911.05113,
title = {Semi-Supervised Multi-Organ Segmentation through Quality Assurance Supervision},
author = {Ho Hin Lee and Yucheng Tang and Olivia Tang and Yuchen Xu and Yunqiang Chen and Dashan Gao and Shizhong Han and Riqiang Gao and Michael R. Savona and Richard G. Abramson and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:1911.05113},
year = {2019}
}
备注
7 pages, 5 figures, Accepted by SPIE 2020: Medical Imaging