用于医学图像分割的三视图特征学习
图像与视频处理
2022-08-15 v1 计算机视觉与模式识别
摘要
深度学习模型，例如监督式编码器-解码器风格网络，在医学图像分割中展现出有前景的性能，但标注成本高昂。我们提出 TriSegNet，一种半监督语义分割框架。它在少量标注数据和大量未标注数据上使用三视图特征学习。三视图架构由三个像素级分类器和一个低层共享权重学习模块组成。模型首先用标注数据初始化。标签处理，包括数据扰动、置信标签投票以及用于标注的不置信标签检测，使模型能够同时在标注和未标注数据上训练。每个模型的置信度通过特征学习的另外两个视图得以提升。该过程重复直至每个模型达到与其对应模型相同的置信度水平。该策略实现了对通用医学图像数据集的三视图学习。定制的基于重叠和基于边界的损失函数适配于训练的不同阶段。分割结果在四个公开可用基准数据集上评估，包括超声、CT、MRI 和组织学图像。重复实验证明了所提网络相较于其他半监督算法在大量评价指标上的有效性。
引用
@article{arxiv.2208.06303,
title = {Triple-View Feature Learning for Medical Image Segmentation},
author = {Ziyang Wang and Irina Voiculescu},
journal= {arXiv preprint arXiv:2208.06303},
year = {2022}
}