Scribble-Supervised Medical Image Segmentation

Scribble-Supervised Medical Image Segmentation via Dual-Branch Network and Dynamically Mixed Pseudo Labels Supervision

摘要

• 采用草率的分割标注
• 心脏分割
• 双分枝网络：一个编码器，两个解码器
• 动态结合两个解码器的输出伪标签

方法

模型结构

• Lpce是交叉墒损失（与随便标注的标签作损失）
• 解码器是不同且独立的
• 采用Dropout来进行特征扰动：类似于一致性正则化的作用，但这里是有监督学习，可以很好促进编码器提取特征的能力
• PL为动态伪标签生成的公式：y1 和y2分别为两个输出，阿尔法是随机生成的（每次iter），作者说这种策略使得两个模型独立
• 伪标签监督损失如下：y1 y2为输出的伪标签，PL为联合的伪标签
• 最后更新参数
  
  总的来说，这篇文章我觉得创新点主要在于他提升了伪标签的精度

实验

数据集：ACDC，100个病人，三分类任务
评估：五折交叉验证
实验细节：

• 基本网络：UNET
• dropout=0.5，并且在每个卷积块之前都使用
• 采用随机旋转，随机flip，以及随机噪声扩大数据集
• 网络输入为256x256
• 训练的是二维模型，然后对3D数据进行预测