基于双模型交互学习的半监督医学图像分割

摘要：

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％.

关键词：半监督学习、医学图像分割、双模型交互学习、平均教师

所属期刊栏目：49

分类号：TP391;F830.9;TN912.34

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：805-819