用于半监督三维左心房分割的不确定性感知自集成模型
计算机视觉与模式识别
2019-07-17 v1
摘要
训练深度卷积神经网络通常需要大量标注数据。然而，为医学图像分割任务标注数据是昂贵且耗时的。本文中，我们提出一种新颖的不确定性感知半监督框架，用于从 3D MR 图像中分割左心房。我们的框架通过鼓励同一输入在不同扰动下预测一致，有效利用未标注数据。具体而言，该框架由学生模型和教师模型组成，学生模型通过最小化相对于教师模型目标的分割损失和一致性损失，从教师模型学习。我们设计了一种新颖的不确定性感知方案，通过利用不确定性信息使学生模型逐步从有意义且可靠的目标中学习。实验表明，我们的方法通过引入未标注数据获得了高性能提升。我们的方法优于最先进的半监督方法，展示了我们的框架在具有挑战性的半监督问题上的潜力。
引用
@article{arxiv.1907.07034,
title = {Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation},
author = {Lequan Yu and Shujun Wang and Xiaomeng Li and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1907.07034},
year = {2019}
}
备注
Accepted by MICCAI2019; Code is available in https://github.com/yulequan/UA-MT