SingleStrip：从单个标注样本学习颅骨剥离

深度学习分割严重依赖标注数据，但人工标注费时费力，尤其对于脑磁共振成像（MRI）等体积图像。近期域随机化技术通过从标签图合成多样化训练图像，缓解了对标注数据的依赖，但在仅有极少量标签图可用时，其提供的解剖变异性有限。半监督自训练通过迭代地将模型预测纳入训练集，使网络能够从未标注数据中学习，从而解决标签稀缺问题。本工作将域随机化与自训练相结合，仅使用单个标注样本来训练三维颅骨剥离网络。首先，我们自动对体素强度进行分箱，生成用于合成图像的标签，以训练初始颅骨剥离模型。其次，我们在标注样本上训练卷积自编码器（AE），并利用其重建误差评估为未标注数据预测的脑掩膜质量。第三，我们选择排名靠前的伪标签来微调网络，在分布外数据上实现了接近使用更多标注图像训练的模型的颅骨剥离性能。我们将基于AE的排序与测试时增强下的基于一致性的排序进行比较，发现AE方法与分割准确度的相关性更强。我们的结果凸显了结合域随机化和基于AE的质量控制，在极其有限的标注数据下实现有效半监督分割的潜力。该策略可能减轻阻碍涉及新解剖结构或新兴成像技术研究进展的标注负担。