用于半监督医学图像分割的变换一致性自集成模型
计算机视觉与模式识别
2020-05-12 v3
摘要
深度卷积神经网络已在多种医学图像计算任务上取得显著进展。将监督深度学习方法应用于医学图像时的一个常见问题是缺乏标注数据，而收集这些数据非常昂贵且耗时。本文提出一种新颖的半监督医学图像分割方法，其中网络由仅针对标注输入的常用监督损失与针对标注和未标注数据的正则化损失的加权组合来优化。为利用未标注数据，我们的方法鼓励训练中的网络对同一输入在不同正则化下给出一致预测。针对半监督分割问题，我们通过引入包含旋转与翻转的变换一致性方案，在我们的自集成模型中增强像素级预测的正则化效果。面向半监督分割任务，我们在自集成模型中引入变换一致性策略以增强像素级预测的正则化效果。我们在三个典型且具有挑战性的医学图像分割任务上广泛验证了所提半监督方法：(i) 在 International Skin Imaging Collaboration (ISIC) 2017 数据集上从皮肤镜图像分割皮肤病变，(ii) 在 Retinal Fundus Glaucoma Challenge (REFUGE) 数据集上从眼底图像分割视盘，以及 (iii) 在 Liver Tumor Segmentation Challenge (LiTS) 数据集上从体层 CT 扫描分割肝脏。与现有最优方法相比，我们所提方法在具有挑战性的 2D/3D 医学图像上展现出更优的分割性能，证明了我们的半监督方法在医学图像分割中的有效性。
引用
@article{arxiv.1903.00348,
title = {Transformation Consistent Self-ensembling Model for Semi-supervised Medical Image Segmentation},
author = {Xiaomeng Li and Lequan Yu and Hao Chen and Chi-Wing Fu and Lei Xing and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1903.00348},
year = {2020}
}
备注
Accept at IEEE Transactions on Neural Networks and Learning Systems