Self and Mixed Supervision to Improve Training Labels for Multi-Class Medical Image Segmentation

准确的训练标签是多类医学图像分割的关键组成部分。它们的注释因需要领域专业知识而昂贵且耗时。本研究旨在开发一种双分支网络，自动改进多类图像分割的训练标签。采用迁移学习来训练网络，并依次改进不准确的弱标签。首先仅使用弱标签训练双分支网络以初始化模型参数。当网络稳定后，共享编码器被冻结，强标签和弱标签一起微调强和弱解码器。在微调过程中，弱标签的准确性被迭代地提高。该方法被应用于腹部CT扫描中肌肉、皮下和内脏脂肪组织的三类分割。对11名患者的验证结果显示，训练标签的准确性显著提高，肌肉、皮下和内脏脂肪组织的Dice相似系数分别从74.2%提高到91.5%、91.2%提高到95.6%和77.6%提高到88.5%（p <0.05）。与我们早期的方法相比，标签准确性也得到了显著提高（p <0.05）。这些实验结果表明，双分支网络和迁移学习的组合是改进多类分割的训练标签的有效方法。

本文旨在开发一种双分支网络，自动改善多类别医学图像分割的训练标签。如何使用迁移学习来训练网络并逐步改善不准确的弱标签。

本文提出了一种双分支网络，使用迁移学习来训练并改善不准确的弱标签。首先，使用弱标签单独训练双分支网络以初始化模型参数。然后，在网络稳定后，共享编码器被冻结，强标签和弱标签一起对强和弱解码器进行微调。在微调过程中，弱标签的准确性被迭代地提高。

本文应用于腹部CT扫描中的三类组织分割，即肌肉、皮下和内脏脂肪组织。验证结果表明，训练标签的准确性得到了显著提高，肌肉、皮下和内脏脂肪组织的Dice相似系数分别从74.2%提高到91.5%、91.2%提高到95.6%、77.6%提高到88.5%（p <0.05）。与早期方法相比，标签准确性也得到了显著提高（p <0.05）。

在这个领域中，最近的相关研究包括使用深度学习进行医学图像分割的方法和使用迁移学习来改善训练标签的方法。例如，一篇题为“Multi-organ Segmentation using Deep Learning and Sparse Shape Composition”的论文使用深度学习方法对多个器官进行分割。还有一篇题为“Improving Weakly Supervised Object Localization by Regularizing CNN with Gaussian Process”的论文使用高斯过程来改善弱监督下的目标定位。