面向医学图像分割的两阶段多任务自监督学习

深度学习（DL）技术极大地推动了医学图像分割的发展，但医学应用中固有的数据稀缺性给基于DL的分割方法带来了巨大挑战。自监督学习通过从可用数据集中创建辅助学习任务，然后利用从解决辅助任务中获得的知识来帮助更好地解决目标分割任务，从而提供了一种解决方案。不同的辅助任务可能具有不同的属性，因此对目标任务的帮助程度也不同。期望利用它们的互补优势来增强对目标任务的总体辅助。为实现这一点，现有方法通常采用联合训练范式，通过整合损失或中间梯度来共同解决分割任务和辅助任务。然而，损失或中间梯度的直接耦合存在不良干扰的风险，因为在每个训练步骤中从解决每个辅助任务获得的知识可能并不总是有益于目标任务。为解决此问题，我们提出了一种两阶段训练方法。在第一阶段，目标分割任务将分别与每个辅助任务以联合训练和预训练两种模式独立地共同解决，并通过验证性能选择更好的模型。在第二阶段，针对每个辅助任务获得的模型通过集成知识蒸馏方法转换为一个单一模型。我们的方法能够充分利用每个辅助任务来创建多个精英分割模型，然后将它们组合成一个更强大的模型。我们在方法中采用了五个不同属性的辅助任务，并将其应用于在X射线气胸分割数据集上训练U-Net模型。实验结果证明了我们的方法优于几种现有方法。