UniMOS：面向标签受限数据集的多器官分割通用框架
图像与视频处理
2023-11-21 v2 计算机视觉与模式识别
机器学习
摘要
用于医学图像的机器学习模型可帮助医生诊断和管理疾病。然而，由于医学图像标注需要大量人力和专业知识，且临床科室基于任务导向进行图像标注，存在标注数据少而未标注数据多、以及许多数据集仅标注单一器官的问题。在本文中，我们提出 UniMOS，首个实现全标注、部分标注及未标注图像利用的通用框架。具体而言，我们在全/部分标注数据上构建多器官分割 (MOS) 模块作为基网，并设计了一种新的目标自适应损失。此外，我们引入了一个半监督训练模块，在未标注数据上结合一致性正则化与伪标注技术，显著提升了未标注数据的分割效果。实验表明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出优异性能，并显著提高了数据利用率、降低了标注成本。代码与模型见：https://github.com/lw8807001/UniMOS。
引用
@article{arxiv.2311.10251,
title = {UniMOS: A Universal Framework For Multi-Organ Segmentation Over Label-Constrained Datasets},
author = {Can Li and Sheng Shao and Junyi Qu and Shuchao Pang and Mehmet A. Orgun},
journal= {arXiv preprint arXiv:2311.10251},
year = {2023}
}
备注
Accepted by BIBM2023