基于双模型交互学习的半监督医学图像分割

在医学图像中, 器官或病变区域的精准分割对疾病诊断等临床应用有着至关重要的作用, 然而分割模型的训练依赖于大量标注数据. 为减少对标注数据的需求, 本文主要研究针对医学图像分割的半监督学习任务. 现有半监督学习方法广泛采用平均教师模型, 其缺点在于, 基于指数移动平均(Exponential moving average, EMA)的参数更新方式使得老师模型累积学生模型的错误知识. 为避免上述问题, 提出一种双模型交互学习方法, 引入像素稳定性判断机制, 利用一个模型中预测结果更稳定的像素监督另一个模型的学习, 从而缓解了单个模型的错误经验的累积和传播. 提出的方法在心脏结构分割、肝脏肿瘤分割...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 49; no. 4; pp. 805 - 819
Main Authors 方超伟, 李雪, 李钟毓, 焦李成, 张鼎文
Format Journal Article
LanguageChinese
Published 西安电子科技大学人工智能学院 西安 710071%西安电子科技大学机电工程学院 西安 710071%西安交通大学软件学院 西安 710049%西北工业大学脑与人工智能实验室 西安 710072 01.04.2023
合肥综合性国家科学中心人工智能研究院 合肥 230088
Subjects
平均教师
半监督学习
双模型交互学习
医学图像分割
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c210667

Cover

More Information
Summary:在医学图像中, 器官或病变区域的精准分割对疾病诊断等临床应用有着至关重要的作用, 然而分割模型的训练依赖于大量标注数据. 为减少对标注数据的需求, 本文主要研究针对医学图像分割的半监督学习任务. 现有半监督学习方法广泛采用平均教师模型, 其缺点在于, 基于指数移动平均(Exponential moving average, EMA)的参数更新方式使得老师模型累积学生模型的错误知识. 为避免上述问题, 提出一种双模型交互学习方法, 引入像素稳定性判断机制, 利用一个模型中预测结果更稳定的像素监督另一个模型的学习, 从而缓解了单个模型的错误经验的累积和传播. 提出的方法在心脏结构分割、肝脏肿瘤分割和脑肿瘤分割三个数据集中取得优于前沿半监督方法的结果. 在仅采用30％的标注比例时, 该方法在三个数据集上的戴斯相似指标(Dice similarity coefficient, DSC)分别达到89.13％, 94.15％, 87.02％.
ISSN:0254-4156
DOI:10.16383/j.aas.c210667