文章目录
DHC: Dual-Debiased Heterogeneous Co-training Framework for Class-Imbalanced Semi-supervised Medical Image Segmentation
摘要
该研究针对三维医学图像的体积级标注需求专业性高、耗时长的问题,因此半监督学习(SSL)在利用有限标注数据进行训练方面尤为重要。然而,类别不平衡的严重问题成为限制这些方法在实际应用中的瓶颈,但却鲜有解决方案。
为解决这一问题,提出了一种新颖的双重去偏异构协同(DHC)框架,用于半监督三维医学图像分割。
提出了两种损失加权策略,即分布感知去偏加权(DistDW)和困难感知去偏加权(DiffDW),这两种策略动态地利用伪标签引导模型解决数据和学习偏差。该框架通过同时训练这两个不同且准确的子模型显著改善了性能。
方法
图1. (a)Synapse数据集中前景类别的分布情况。(b)比较了每个类别的提出的DistDW方法的比例排名和Dice值。(c)比较了每个类别的体素数量和Dice值,x轴上的值是DiffDW和DistDW模型之间Dice值的差异。