用于前列腺 MRI 分区分割的不确定性感知半监督学习
图像与视频处理
2023-05-11 v1 计算机视觉与模式识别
摘要
深度卷积神经网络预测的质量强烈依赖于训练数据集的规模与标注质量。创建标注，尤其对于 3D 医学图像分割，耗时且需要专家知识。我们提出一种新颖的半监督学习（SSL）方法，仅需相对较少的标注，同时能利用其余未标注数据提升模型性能。我们的方法使用伪标注技术，采用近期的深度学习不确定性估计模型。通过利用估计的不确定性，我们得以对伪标签排序并自动选择由监督模型生成的最佳伪标注。我们将其应用于 T2 加权 MRI 扫描中的前列腺分区分割。在 ProstateX 数据集与外部测试集的实验中，我们提出的模型优于半监督模型：仅利用未标注数据的子集而非全部 4953 例，所提模型即展现出更优性能。对于全监督模型与不确定性感知半监督学习模型（USSL），移行区与外周区的分割 Dice 相似系数分别从 0.835 和 0.727 提升至 0.852 和 0.751。我们的 USSL 模型展示了在不需完整标注情况下于大数据集上训练深度学习模型的潜力。我们的代码见 https://github.com/DIAGNijmegen/prostateMR-USSL。
引用
@article{arxiv.2305.05984,
title = {Uncertainty-Aware Semi-Supervised Learning for Prostate MRI Zonal Segmentation},
author = {Matin Hosseinzadeh and Anindo Saha and Joeran Bosma and Henkjan Huisman},
journal= {arXiv preprint arXiv:2305.05984},
year = {2023}
}
备注
9 pages