基于变换一致自集成模型的半监督皮肤病变分割

皮肤镜图像上的自动皮肤病变分割是黑色素瘤计算机辅助诊断的重要组成部分。近来，许多基于全监督深度学习的方法被提出用于自动皮肤病变分割。然而，这些方法需要经验丰富的皮肤科医生提供大量像素级标注，成本高且耗时。本文中，我们提出一种新颖的半监督皮肤病变分割方法，通过利用有标签和无标签数据，网络由仅针对有标签输入的常用监督损失与针对有标签和无标签数据的正则化损失的加权组合优化。在本文中，我们提出了一种新颖的半监督皮肤病变分割方法，其中网络由仅针对有标签输入的常用监督损失与针对有标签和无标签数据的正则化损失的加权组合优化。我们的方法鼓励对无标签图像使用网络训练过程中不同正则化下的输出进行一致预测，从而可利用无标签数据。为利用无标签数据，我们的方法鼓励训练中的网络对同一输入在不同正则化下作出一致预测。针对半监督分割问题，我们在自集成模型中引入包括旋转和翻转的变换一致方案，以增强像素级预测的正则化效果。仅使用 300 个有标签训练样本，我们的方法在 International Skin Imaging Collaboration (ISIC) 2017 皮肤病变分割挑战赛的基准上创下新纪录。该结果明显超越了使用 2000 个有标签数据训练的全监督最先进方法。