【论文标题】Semi-supervised Medical Image Segmentation through Dual-task Consistency
【作者团队】Xiangde Luo, Jieneng Chen, Tao Song, Yinan Chen, Guotai Wang, Shaoting Zhang 【发表时间】2020/9/9 【论文链接】https://arxiv.org/abs/2009.04448 【参考链接】https://github.com/Luoxd1996/DTC 【推荐理由】本文来自电子科技大学王国副教授团队，针对现有医学图像分割方法在多/双重任务学习中存在来自不同任务的信息可能导致固有的预测扰动问题。本文提出了基于双重任务一致性的半监督医学图像分割模型，该方法通过学习未标记数据以实现在不同任务下对相同输入进行双重任务一致性的预测。 基于深度学习的半监督学习(SSL)算法已经在医学图像分割中取得杰出的结果，并且SSL算法通过学习未标记数据可以减少医生花费昂贵的注释。然而，现有文献中的大多数SSL算法倾向于通过扰动网络和/或数据来规范模型训练。并且现有的多/双重任务学习涉及固有预测扰动的各种级别的信息，基于此，本文提出这样的问题:是否可以显式地构建任务级正则化函数，而不是隐式地构建网络和/或数据级扰动和转换用于SSL吗？为了回答这个问题，本文首次提出了一种新颖的双重任务一致性半监督框架。具体来说，该框架使用双重任务深度网络，共同预测目标的像素级分割图和可感知几何的水平集表示。通过可区分的任务变换层，将水平集表示形式转换成近似的分割图。同时，针对标记和未标记的数据的水平集衍生的分割图和直接预测的分割图之间引入了双重任务一致性正则化。在两个公共数据集上的大量实验表明，通过合并未标记数据，本文提出的方法可以大大提高医学图像分割性能。同时，该框架在精度、网络参数和计算成本方面都优于最好的效果最先进的半监督医学图像分割方法。 图 1: 基于双重任务一致性的半监督医学图像分割框架概述：该网络由像素级分类头(task1)和水平集函数回归头(task2)组成，采用广泛使用的编解码器网络VNet作为核心。通过最小化标记数据上的监督损失LDice、LLSF和未标记数据和标记数据上的双任务一致性损失LDTC来优化模型。利用T函数将真实标签映射转换为水平集表征用于监督训练。T-1函数将水平集函数转换为概率映射来计算LDTC。 本文主要贡献如下： 1. 本文首次提出一种新颖的双任务一致性策略以充分利用未标记的医学图像数据，该策略通过最小化预测像素级标签与水平集函数之间的差异来学习未标记数据； 2. 在半监督学习背景下，本文提出的框架优于先进的半监督医学图像分割框架在几个临床数据集；并且使用一个双重任务网络同时预测一个像素级分类图和一个水平集表示的医学图分割，以捕获全局级别的医学图像形状和几何信息； 3. 与现有的方法相比，该框架需要较少的训练时间和计算量。同时，该算法可以直接应用于任何半监督医学图像分割场景，并且在任务之间存在微小变换的情况下，可以很容易地集成所有不同任务的预测结果，获得较好的预测性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除