用于医学图像分割的体素级对抗半监督学习
计算机视觉与模式识别
2022-05-17 v1
摘要
用于医学图像分割的半监督学习是一个重要研究领域，可缓解医学领域构建可靠大规模标注所需的巨大成本。近期半监督方法通过采用一致性正则化、伪标签技术和对抗学习展现了有前景的结果。这些方法主要试图通过强化预测或嵌入上下文的一致性来学习标注与未标注数据的分布。然而，先前方法仅关注局部差异最小化或跨单类的上下文关系。本文中，我们引入一种新颖的基于对抗学习的半监督分割方法，有效嵌入来自多个隐藏层的局部与全局特征，并学习多类之间的上下文关系。我们的体素级对抗学习方法利用体素级特征判别器，通过嵌入类特定的体素级特征分布，将多层体素级特征（包含局部与全局特征）作为输入。此外，我们改进了先前的表示学习方法，克服了信息丢失和学习稳定性问题，从而实现对标注数据的丰富表示。我们的方法在左心房（单类）和多器官数据集（多类）的图像分割上优于当前性能最佳的先进半监督学习方法。而且，我们对特征空间的可视化解释表明，所提方法能从标注与未标注数据中实现分布良好且分离的特征空间，从而改善整体预测结果。
引用
@article{arxiv.2205.06987,
title = {Voxel-wise Adversarial Semi-supervised Learning for Medical Image Segmentation},
author = {Chae Eun Lee and Hyelim Park and Yeong-Gil Shin and Minyoung Chung},
journal= {arXiv preprint arXiv:2205.06987},
year = {2022}
}