用于医学图像分割的通过去噪监督

基于学习的图像重建模型，例如基于 U-Net 的模型，如果需要保证良好的泛化能力，则需要大量带标签的图像。然而，在某些成像领域中，由于获取成本高，具有像素级或体素级标签精度的标记数据十分稀缺。这一问题在诸如医学成像等领域中进一步加剧，其中不存在单一的地面真实标签，导致标签中存在大量的重复变异性。因此，通过从带标签和未带标签的示例中学习(称为半监督学习)来使重建网络泛化得更好，是一个具有实践和理论意义的问题。然而，传统的用于图像重建的半监督学习方法通常需要针对某些给定成像问题手工制作可微正则化器，这可能极其耗时。在这项工作中，我们提出“通过去噪监督”(SUD)，一个使我们能够使用重建模型自身的去噪输出作为软标签来监督它们的框架。SUD 将随机平均和空间去噪技术统一在时空去噪框架之下，并在半监督的优化框架中交替去噪和模型权重更新步骤。作为示例应用，我们将 SUD 应用于生物医学成像中出现的两个问题——解剖脑重建(3D)和皮层分区(2D)——以展示相比仅监督和随机平均基线在图像重建上的显著改进。