基于深度多平面协同训练的半监督多器官分割
计算机视觉与模式识别
2018-11-21 v3
摘要
在腹部 CT 扫描的多器官分割中，大多数现有全监督深度学习算法需要大量体素级标注，其通常难以获取、昂贵且缓慢。相比之下，大量无标注 3D CT 体数据通常易于获得。当前解决半监督生物医学图像分割问题的主流工作多为基于图的。相反，基于深度网络的半监督学习方法在该领域未受太多关注。本工作中，我们提出深度多平面协同训练（DMPCT），其贡献可分为两方面：1）深度模型以协同训练方式学习，可从矢状、冠状与轴状等多平面中挖掘共识信息；2）应用多平面融合生成更可靠的伪标签，减轻伪标签中的错误，从而有助于训练更好的分割网络。实验在我们新收集的大型数据集上进行，含 100 个无标注病例及 210 个标注病例，其中 16 个解剖结构由四名放射科医生手动标注并经资深专家确认。结果表明，尤其当仅使用少量标注时，DMPCT 比全监督方法显著高出 4% 以上。
引用
@article{arxiv.1804.02586,
title = {Semi-Supervised Multi-Organ Segmentation via Deep Multi-Planar Co-Training},
author = {Yuyin Zhou and Yan Wang and Peng Tang and Song Bai and Wei Shen and Elliot K. Fishman and Alan L. Yuille},
journal= {arXiv preprint arXiv:1804.02586},
year = {2018}
}
备注
accepted by WACV2019