基于部分实例标注与预训练双分支网络及伪标签学习的弱监督淋巴结分割
计算机视觉与模式识别
2025-04-16 v2
摘要
评估潜在恶性淋巴结的存在有助于估计癌症进展，而识别周围良性淋巴结可辅助确定潜在的癌症转移路径。对于定量分析，淋巴结的自动分割至关重要。然而，由于大量淋巴结需要耗时且劳动密集的手动标注，仅标注部分淋巴结实例以降低标注成本更为实际。在本研究中，我们提出一种预训练的双分支网络与动态混合伪标签（DBDMP），用于从部分实例标注中学习淋巴结分割。为获取未标注淋巴结的可靠伪标签，我们采用双解码器网络生成不同输出，然后进行动态混合。我们将原始弱部分标注与混合伪标签结合以监督网络。为进一步利用大量未标注体素，我们应用自监督预训练策略以增强模型的特征提取能力。在纵隔淋巴结量化（LNQ）数据集上的实验表明，与直接从部分实例标注学习相比，我们的方法将Dice相似系数（DSC）从11.04%显著提升至54.10%，将平均对称表面距离（ASSD）从20.83 mm降至8.72 mm。代码可在 https://github.com/WltyBY/LNQ2023_training_code.git 获取。
引用
@article{arxiv.2408.09411,
title = {Weakly Supervised Lymph Nodes Segmentation Based on Partial Instance Annotations with Pre-trained Dual-branch Network and Pseudo Label Learning},
author = {Litingyu Wang and Yijie Qu and Xiangde Luo and Wenjun Liao and Shichuan Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2408.09411},
year = {2025}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:013