Segmentation only uses sparse annotations: Unified weakly and semi-supervised learning in medical images
- 【Medical Image Analysis ,2022】
- 主要贡献
1.本文设计了一种新的图像分割框架SOUSA,该框架由少量带有潦草注释的标记数据和大量未标记数据训练而成,这是WSCL(Weakly- and Semi-Supervised Consistency Learning)中关于医学图像分割任务的第一个工作;
2.本文提出了一种新的一致性损失函数,即MPR(Multi-angle Projection Reconstruction )损失。它放大了预测误差,特别是对边界和异常值,通过投影分割映射到一维;
3.实验表明,在WSCL环境下的弱监督和半监督学习方法与最先进的弱监督方法相比获得了显著改进,并在公共数据集ACDC(Automated Cardiac Diagnosis Challenge) 和内部结肠癌数据集上实现了与完全监督模型相当的性能。
- 实验结果
1.消融研究,研究了三个关键组成部分的贡献,即半监督学习、多任务学习和MPR,实验结果表明a.利用大量的无标记数据可以提高弱监督学习的性能,b.提出的多任务学习算法同时预测分割掩码和注意图,提高了算法的性能,c.MPR损失可以减少对mse一致性损失不敏感的小假阳性区域;
2.将本文的模型与纯稀疏/密集注释、几种WSL和SSL方法训练的模型进行比较,与弱监督或半监督方法相比,本文的方法在所有数据比中表现最好。可以发现,更少的标记数据使得本文的方法与其他方法的差距更大。当标注比例小于5%时,该方法与密集标注训练的方法相当。
3.为了进一步验证所提出的方法,将该方案应用于结肠数据集,分割结肠肿瘤比分割心脏更复杂,实验结果表明,与只有标记数据的简单弱监督方法相比,利用大量无标记数据的半监督方法确实提高了分割性能,并且在大多数情况下,更大的未标记数据集会带来更好的改进。