不确定性引导的 OCT 图像视网膜层半监督分割
计算机视觉与模式识别
2021-03-04 v1
摘要
深度卷积神经网络在医学图像分割任务中展现出卓越性能。训练有监督深度学习方法时的常见问题是缺乏标注数据，而获取此类数据耗时且昂贵。在本文中，我们提出一种基于师生方法的新颖不确定性引导半监督学习，用于使用有限标注样本和大量未标注图像训练分割网络。首先，从标注样本中使用贝叶斯深度学习训练教师分割模型。该训练好的模型用于为未标注集生成软分割标签和不确定性图。然后，使用软分割样本以及从教师模型不确定性估计出的分割质量对应像素级置信度，借助新设计的损失函数更新学生模型。在视网膜层分割任务上的实验结果表明，与全监督方法相比，所提方法提升了分割性能，并与专家标注者相当。所提出的半监督分割框架是一项关键贡献，适用于难以获取标注医学图像的各种成像模态下的生物医学图像分割。
引用
@article{arxiv.2103.02083,
title = {Uncertainty guided semi-supervised segmentation of retinal layers in OCT images},
author = {Suman Sedai and Bhavna Antony and Ravneet Rai and Katie Jones and Hiroshi Ishikawa and Joel Schuman and Wollstein Gadi and Rahil Garnavi},
journal= {arXiv preprint arXiv:2103.02083},
year = {2021}
}
备注
MICCAI,19