用于混合监督肺肿瘤分割的教师-学生架构

目的：在放射影像中自动化肺肿瘤定位与分割等任务可为放射科医生及其他临床人员节省宝贵时间。卷积神经网络可能适用于此类任务，但需要大量标注数据用于训练。获取标注数据是一项挑战，尤其在医学领域。方法：本文研究使用教师-学生设计来利用具有不同监督类型的数据集，训练在 CT 图像上执行肺肿瘤分割的自动模型。该框架由两个模型组成：执行端到端自动肿瘤分割的学生模型，以及在训练期间为学生提供额外伪标注数据的教师模型。结果：仅使用一小部分语义标注数据和大量边界框标注数据，我们通过教师-学生设计取得了具有竞争力的性能。在更多语义标注数据上训练的模型并未优于在教师标注数据上训练的模型。结论：我们的结果展示了利用教师-学生设计降低标注负担的潜力，因为可采用监督较少的标注方案，且分割精度无任何实质性下降。