RCPS ~医学图像半监督分割

这里提出了一种用于医学图像半监督分割的新方法- RCPS（校正对比伪监督）。通过引入两种校正方法（不确定性估计法和一致性正则化），提高了伪监督模型的性能。实验表明，所提出的 RCPS 大大提高了分割性能，并优于最先进的半监督分割方法。之前也是做医疗的所以关注一下

Paper: RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation
PDF:  https://arxiv.org/pdf/2301.05500v1.pdfCode: https://github.com/hsiangyuzhao/RCPS

医学图像分割方法通常需要全监督训练方式以保证模型性能，但这需要大量的专家进行数据标注，成本高且费力。半监督图像分割可以利用大量未标记图像和有限的标记图像来缓解该问题。然而，由于伪标签中的潜在噪声和特征空间中的类可分离性不足，从大量未标记图像中学习鲁棒性表示仍然具有挑战性，这会极大影像半监督分割方法的性能。

为了解决上述问题，本文提出了一种新的半监督分割方法，称为校正对比伪监督（RCPS），它结合了校正伪监督技术和体素级别的对比学习来提高半监督分割模型的性能。具体而言：本文设计了一种基于不确定性估计和一致性正则化伪监督方法的新策略，以减少伪标签中的噪声影响；此外，本文还在网络中引入了双向体素对比损失，以确保特征空间中的类内一致性和类间判别性，从而增加了图像分割中的类可分离性。

所提出的 RCPS 分割方法已在两个公共数据集（MRI左心房分割，CT胰腺分割）和一个内部临床数据集上（创伤性脑损伤TBI患者的大脑分割）进行了大量实验，实验结果表明：与半监督医学图像分割中的最新方法相比，所提出的方法具有更好的分割性能。

创新点

1. 提出了一种校正伪监督技术（不确定性估计和一致性正则化），来学习图像空间中不同分割对象的鲁棒性表示，进而提高半监督模型的分割性能。
2. 提出了一种双向体素对比损失和一种置信负采样策略，以提高特征空间中不同类别之间的语义可分离性。即对于正样本的两个不同视图，其距离空间应该相近，且远离特征空间中的负样本。

方法剖析

图1.RCPS网络架构图

RCPS网络架构 

 

校正伪监督技术

伪监督

不确定性估计为伪监督损失引入了自适应体素权重，其中置信度较高的体素具有较高的权重，而置信度较低的体素具有较低的权重。该种技术降低了标签噪声的影响，提高了分割的鲁棒性。

一致性正则化

实验结果 

 

Visual comparison with other methods on LA dataset

在LA数据集上，与其它方法相比，所提出的RCPS网络可以生成更平滑完整的分割边界，并在小结构中提供更精细的细节。

 

Visual comparison with other methods on PANCREAS-CT dataset

与 LA 数据集的结果类似，分割结果可视化对比表明：所提出的 RCPS 能很大程度上避免在分割过程中遗漏一些微小的分割目标，且能为微小结构生成更合理的分割图。

Visual comparison with other methods on TBI dataset

在TBI数据集上，UNet在我们提出的半监督设置下训练，甚至能够分割出全监督 UNet通常遗漏的结构，并生成质量更高的分割图。

结论 

本文提出了一种用于医学图像半监督分割的新方法- RCPS（校正对比伪监督）。通过引入两种校正方法（不确定性估计法和一致性正则化），提高了伪监督模型的性能。此外，本文在特征空间中引入了双向体素对比损失，确保了特征空间中较大的类间距离和较小的类内距离，从而进一步提高了分割性能。大量实验表明，所提出的 RCPS 大大提高了分割性能，并优于最先进的半监督分割方法。

原创作者: whaosoft 转载于: https://blog.51cto.com/whaosoft/11620280