面向小规模数据的鲁棒部分监督多结构医学图像分割
计算机视觉与模式识别
2021-10-27 v2 机器学习
图像与视频处理
摘要
用于语义分割的深度学习（DL）模型的数据驱动特性需要大量的像素级标注。然而，在实际任务中，大规模且完全标注的医学数据集往往难以获取。近来，已有部分监督方法被提出，以利用医学领域中带有不完整标签的图像。为弥补数据稀缺条件下部分监督学习（PSL）的方法学空白，我们提出了 Vicinal Labels Under Uncertainty（VLUU），一个简单而高效的框架，利用人体结构相似性进行部分监督医学图像分割。受多任务学习与邻域风险最小化的启发，VLUU 通过生成邻域标签将部分监督问题转化为完全监督问题。我们在小规模数据、数据集偏移与类别不平衡的挑战下，针对胸部器官分割与视盘视杯分割任务，在两个常用分割数据集上系统评估了 VLUU。实验结果表明，在这些设定下 VLUU 能持续优于以往的部分监督模型。我们的研究指出了部分监督标签高效深度学习的一个新研究方向。
引用
@article{arxiv.2011.14164,
title = {Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data},
author = {Nanqing Dong and Michael Kampffmeyer and Xiaodan Liang and Min Xu and Irina Voiculescu and Eric P. Xing},
journal= {arXiv preprint arXiv:2011.14164},
year = {2021}
}
备注
Accepted by Applied Soft Computing