SimCVD：用于半监督医学图像分割的简单对比体素级表示蒸馏
计算机视觉与模式识别
2022-03-22 v4 人工智能
机器学习
摘要
医学图像分析中的自动分割是一项具有挑战性的任务，需要大量人工标注数据。然而，大多数现有基于学习的方法通常受限于有限的人工标注医学数据，这给准确且鲁棒的医学图像分割带来了主要实际难题。此外，大多数现有半监督方法相较于有监督对应方法通常不够鲁棒，且缺乏对几何结构与语义信息的显式建模，这两者都限制了分割精度。在本工作中，我们提出 SimCVD，一种简单对比蒸馏框架，显著推进了最先进的体素级表示学习。我们首先描述一种无监督训练策略，该策略对输入体数据取两个视图，并在对比目标下预测其目标边界的有符号距离图，仅以两个独立的 dropout 作为掩码。这一简单方法出奇地有效，在以少得多标注数据下达到了与先前全监督方法同等的水平。我们假设 dropout 可视为数据增强的最小形式，并使网络对表示坍缩具有鲁棒性。接着，我们提出通过蒸馏成对相似性来执行结构蒸馏。我们在两个流行数据集上评估 SimCVD：左心房分割挑战赛(LA)与 NIH 胰腺 CT 数据集。LA 数据集上的结果表明，在两类标注比例（即 20% 与 10%）下，SimCVD 分别取得平均 Dice 分数 90.85% 与 89.03%，较先前最佳结果提升 0.91% 与 2.22%。我们的方法可以端到端方式训练，展示了将 SimCVD 用作下游任务（如医学图像合成、增强与配准）通用框架的前景。
引用
@article{arxiv.2108.06227,
title = {SimCVD: Simple Contrastive Voxel-Wise Representation Distillation for Semi-Supervised Medical Image Segmentation},
author = {Chenyu You and Yuan Zhou and Ruihan Zhao and Lawrence Staib and James S. Duncan},
journal= {arXiv preprint arXiv:2108.06227},
year = {2022}
}
备注
IEEE Transactions on Medical Imaging (IEEE-TMI) 2022