DuEDL: Dual-Branch Evidential Deep Learning for Scribble-Supervised Medical Image Segmentation

尽管使用涂鸦注释在医学图像分割方面取得了近期的进展，但大多数模型的分割结果在开放环境中仍然不够鲁棒和具有普适性。最近提出的证据深度学习（EDL）被认为是一种有前途的解决方案，可以模拟预测不确定性并提高医学图像分割的可靠性。然而，将EDL直接应用于涂鸦监督的医学图像分割面临着准确性和可靠性之间的权衡。为了解决这一挑战，我们提出了一种新的框架，称为双分支证据深度学习（DuEDL）。首先，分割网络的解码器被改变为两个不同的分支，两个分支的证据被融合以生成高质量的伪标签。然后，该框架应用部分证据损失和双分支一致性损失来联合训练模型，以适应涂鸦监督学习。该方法在两个心脏数据集ACDC和MSCMRseg上进行了测试。结果表明，我们的方法显著提高了模型的可靠性和泛化能力，而不会牺牲准确性，优于现有的基准。代码可在https://github.com/Gardnery/DuEDL获得。

提高医学图像分割的鲁棒性和泛化能力，解决使用EDL进行scribble监督学习时准确性和可靠性之间的权衡问题。

提出了一种名为DuEDL的新框架，通过使用双分支解码器和部分证据损失以及双分支一致性损失来生成高质量的伪标签，并在联合训练中适应scribble监督学习，从而提高模型的可靠性和泛化能力。

实验使用了ACDC和MSCMRseg两个心脏数据集，结果表明，DuEDL方法显著提高了模型的可靠性和泛化能力，而不会牺牲准确性。论文提供了开源代码。

最近的相关研究包括：1. Scribble-based medical image segmentation with deep learning: a review；2. Improving segmentation of MRI cardiac images using probabilistic atlas-based models；3. Evidential deep learning to quantify classification uncertainty.