不确定性感知时间自学习（UATS）：用于前列腺分区及更广泛分割任务的半监督学习
图像与视频处理
2021-04-09 v1 计算机视觉与模式识别
摘要
各种基于卷积神经网络（CNN）的方法已被提出用于前列腺的自动分割及其向移行区（TZ）和周围区（PZ）的粗划分。然而，当针对 TZ、PZ、远端前列腺尿道（DPU）和前纤维肌性间质（AFS）的细粒度分割时，任务变得更具挑战性，且尚未达到人类表现水平。一个原因可能是用于监督训练的标注数据不足。因此，我们提出应用一种名为不确定性感知时间自学习（UATS）的半监督学习（SSL）技术，以克服昂贵且耗时的手动真值标注。我们结合 SSL 技术时间集成与不确定性引导自学习，以利用通常易于获取的未标注图像。我们的方法显著优于监督基线，并在 TZ、PZ、DPU 和 AFS 上分别获得了高达 78.9%、87.3%、75.3%、50.6% 的 Dice 系数（DC）。所得结果在所有结构上都处于人类评分者间表现范围内。此外，我们研究了该方法对噪声的鲁棒性，并展示了其在不同标注数据比例及其他具有挑战性任务（即海马体和皮肤病变分割）上的泛化能力。UATS 相比监督基线取得了更优的分割质量，尤其在标注数据极少时。
引用
@article{arxiv.2104.03840,
title = {Uncertainty-Aware Temporal Self-Learning (UATS): Semi-Supervised Learning for Segmentation of Prostate Zones and Beyond},
author = {Anneke Meyer and Suhita Ghosh and Daniel Schindele and Martin Schostak and Sebastian Stober and Christian Hansen and Marko Rak},
journal= {arXiv preprint arXiv:2104.03840},
year = {2021}
}
备注
Accepted manuscript in Elsevier Artificial Intelligence in Medicine. Anneke Meyer and Suhita Ghosh contributed equally