用于半监督医学图像分割与域适应的不确定性感知多视角协同训练
计算机视觉与模式识别
2020-07-01 v1
摘要
尽管基于深度学习的方法在医学图像分割中已取得巨大成功，其通常需要大量精细标注的数据，而在医学图像分析领域这类数据可能极其昂贵。另一方面，无标签数据则更容易获取。半监督学习与无监督域适应均利用无标签数据的优势，且二者密切相关。本文提出不确定性感知多视角协同训练 (UMCT)，一个解决三维医学图像分割中这两项任务的统一框架。我们的框架能够高效利用无标签数据以提升性能。我们首先将 3D 体数据旋转并置换为多个视角，并在每个视角上训练一个 3D 深度网络。随后通过对无标签数据施加多视角一致性来应用协同训练，其中利用各视角的不确定性估计以实现准确标注。在 NIH 胰腺分割数据集和多器官分割数据集上的实验表明，所提框架在半监督医学图像分割上达到了最先进的性能。在无监督域适应设定下，我们将多器官分割模型适配至来自 Medical Segmentation Decathlon Datasets 的两个病理器官，验证了本工作的有效性。此外，我们展示了 UMCT-DA 模型甚至能有效处理有标签源数据不可访问的极具挑战情形，展现出在真实应用中的强大潜力。
引用
@article{arxiv.2006.16806,
title = {Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation},
author = {Yingda Xia and Dong Yang and Zhiding Yu and Fengze Liu and Jinzheng Cai and Lequan Yu and Zhuotun Zhu and Daguang Xu and Alan Yuille and Holger Roth},
journal= {arXiv preprint arXiv:2006.16806},
year = {2020}
}
备注
19 pages, 6 figures, to appear in Medical Image Analysis. This article is an extension of the conference paper arXiv:1811.12506