面向体数据医学图像分割的通用半监督框架
图像与视频处理
2023-10-18 v1 计算机视觉与模式识别
摘要
三维医学图像中的体数据标注是一项耗时且需要专业知识的工作。因此，利用半监督学习（SSL）技术在有限标注数据下训练模型受到越来越多的关注。然而，其挑战与实际应用超越了 SSL，延伸至无监督域适应（UDA）和半监督域泛化（SemiDG）等设定。本工作旨在开发一个可处理这三种设定的通用 SSL 框架。我们指出已有 SSL 框架实现该目标的两个主要障碍：1）捕捉分布不变特征的能力薄弱；2）未标注数据易被标注数据淹没，导致训练中对标注数据过拟合。为解决这些问题，我们提出一种聚合与解耦框架。聚合部分由一个扩散编码器组成，通过从多分布/域的聚合信息中提取分布不变特征来构建公共知识集。解耦部分由三个解码器组成，将标注与未标注数据的训练过程解耦，从而避免对标注数据、特定域及类别的过拟合。我们在 SSL、类别不平衡 SSL、UDA 和 SemiDG 的四个基准数据集上评估所提框架。结果表明，相较于最先进的方法，其在所有四种设定下均有显著提升，表明我们的框架有潜力应对更具挑战性的 SSL 场景。代码与模型见：https://github.com/xmed-lab/GenericSSL。
引用
@article{arxiv.2310.11320,
title = {Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation},
author = {Haonan Wang and Xiaomeng Li},
journal= {arXiv preprint arXiv:2310.11320},
year = {2023}
}
备注
Accepted at NeurIPS 2023