Rethinking Barely-Supervised Segmentation from an Unsupervised Domain Adaptation Perspective

本文研究了一种极具挑战性的问题——几乎无监督的医学图像分割（BSS），其中训练数据集只包含有限的带有单层注释的标记数据和大量的未标记图像。目前，最先进的BSS方法采用基于配准的范式，依赖于图像配准将单层注释传播到体积伪标签中，以构建完整的标记集。然而，这种范式存在一个关键限制：图像配准生成的伪标签不可靠且带有噪声。受此启发，我们提出了一种新的视角：使用仅有的单层注释片段作为标记集，而不依赖于图像配准来训练模型。为此，我们将BSS形式化为无监督域自适应（UDA）问题。具体而言，我们首先设计了一种新颖的无噪声标记数据构建算法（NFC），用于片段到体积标记数据合成，这可能会产生一个副作用：合成图像和原始图像之间的域漂移。然后，进一步引入了频率和空间混合策略（FSX）来缓解UDA中的域漂移。广泛的实验表明，我们的方法为BSS提供了一个有前途的替代方案。值得注意的是，仅使用一个标记片段的提出方法在左心房分割上实现了80.77%的Dice分数，比SOTA高出61.28%。本文发布后将发布代码。

本文旨在解决仅有少量标记数据和大量未标记图像的情况下的医学图像分割问题，提出了一种新的方法。

本文将医学图像分割问题看作无监督域自适应问题，并提出了一种新的无噪声标记数据构建算法，以及一种频率和空间混合策略，以减轻域漂移。

本文的方法仅使用一个标记切片，就可以实现左心房分割的80.77%的Dice分数，超过了当前SOTA方法61.28%的性能表现。实验设计合理，数据集丰富，代码将会公开。

最近在该领域的相关研究包括：'Learning to Learn from Noisy Labeled Data'、'Unsupervised Domain Adaptation for Medical Image Segmentation without Annotation in Target Domain'等。