关键词:
分布感知(DA)
均值教师
半监督
医学影像分割
注意力
摘要:
目的半监督方法旨在通过将未标记数据与标记数据的训练相结合,能够减少对标记数据的依赖,并取得较好的医学图像分割结果。然而,现有的半监督方法通常没有关注到标记数据和未标记数据之间的分布差异所带来的不利影响,尤其是在标记数据比例较低时,可能会严重影响模型的分割性能。方法提出一种采用分布感知的均值教师网络(distribution-aware mean teacher network,DAMTN)用于半监督医学影像分割。该方法利用标记数据和未标记数据的分布信息来指导模型的学习,以便在训练阶段使模型对标记和未标记数据的分割结果的分布尽可能相似。该方法采用老师—学生的网络架构,并嵌入了不同的注意力模块,以及分布感知(distribution-aware,DA)模块、完整性监督(integrity supervision,IS)模块和不确定性最小化(uncertainty minimization,UM)模块。结果在MICCAI 2018(Medical Image Computing and Computer Assisted Intervention Society)左心房分割挑战LA(left atrium)数据集和胰腺CT(computed tomography)数据集上的实验结果表明,该方法使用左心房10%标记数据时,获得的Dice系数、Jaccard指数、HD(Hausdorff distance)和ASD(average surface distance)分别为88.55%、79.62%、9.07和3.08,与基于不确定性的协同均值教师(uncertainty-guided collaborative mean teacher,UCMT)相比,Dice系数和Jaccard指数分别提高了0.42%和0.44%;而使用左心房20%标记数据时,获得的Dice系数、Jaccard指数、HD距离和ASD距离分别为90.55%、82.82%、5.78和1.77,与UCMT相比,Dice系数和Jaccard指数分别提高了0.14%和0.28%。该方法使用胰腺CT 10%标记数据时,获得的Dice系数、Jaccard指数、HD和ASD分别为70.20%、56.36%、15.64和3.57,与基于不确定性的互补一致性学习(uncertainty-guided mutual consistency learning,UG-MCL)相比,Dice系数和Jaccard指数分别提高了0.94%和1.06%;而使用胰腺CT 20%标记数据时,获得的Dice系数、Jaccard指数、HD距离和ASD距离分别为77.89%、64.92%、7.97和1.65,与UG-MCL相比,Dice系数和Jaccard指数分别提高了2.77%和3.34%。在ACDC(automated cardiac diagnosis challenge)数据集上的实验结果也表明了该方法的优越性。结论提出的方法利用标记数据与未标记数据的分布差异信息,有效提升了半监督医学影像分割性能。尤其在使用较低数量的标记数据时,该方法的分割性能明显优于其他使用的半监督方法。