使用基于简单临床标注的非对称学习进行超声结节分割

深度学习的最新进展极大地促进了超声图像的自动分割，这对于结节形态分析至关重要。然而，现有的大多数方法依赖于领域专家大量且精确的标注，这既费时又费力。在本研究中，我们建议直接使用来自超声临床诊断的简单纵横比标注进行自动结节分割。具体而言，我们通过用两种类型的伪标签（即保守标签和激进标签）扩展纵横比标注，开发了一个非对称学习框架，以同时训练两个非对称分割网络。随后，提出了一种保守-激进-平衡策略（CRBS），以互补的方式结合激进和保守标签。引入了一个不一致感知的动态混合伪标签监督（IDMPS）模块，以解决由这两种类型的标签引起的过分割和欠分割挑战。为了进一步利用临床标注提供的空间先验知识，我们还提出了一种新颖的损失函数，即临床解剖先验损失。在两个临床收集的超声数据集（甲状腺和乳腺）上的广泛实验证明了我们提出方法的优越性能，该方法在使用真实标注的完全监督方法下可以实现相当甚至更好的性能。