基于跨任务一致性的半监督肝脏 CT 图像分割

来源：计算机技术与发展杂志2024年第02期北京时间：

作者：李明漾;王庆凤;陈立伟;黄俊;周莹

单位：1. 西南科技大学 计算机科学与技术学院,四川 绵阳 621000;2. 绵阳市中心医院 放射科,四川 绵阳 621000

摘要：目前基于深度学习的医学图像分割方法往往需要大量带标记数据训练网络模型,然而医学影像的标记数据获取通常非常昂贵,半监督学习能使模型利用大量未标记数据和少量标记数据学习。 该文提出了一种基于跨任务一致性的半监督学习框架来降低神经网络模型训练时需要的标记数据成本。 该方法利用 V-Net 网络作为主干框架并添加两个辅助解码器,同时在解码器中引入一个辅助回归任务,提高模型分割性能,并在主副解码器的分割任务和回归任务之间施加正则化约束的跨任务一致性损失,该框架能够学习到大量未标记数据的几何先验信息。 在 LiTS2017 Challenges 数据集上验证了该方法的有效性。 在使用 20% 标记数据的实验中,该方法的 Dice 系数和 Jaccard 指数分别达到了 93. 95% 和88. 87% ,相比全监督 V-Net 网络模型训练下的 Dice 系数和 Jaccard 系数分别提高了 3. 60 百分点和 5. 78 百分点。 实验结果表明,该方法在使用少量带标记数据情况下达到接近 100% 带标记数据训练分割肝脏的精度,与其他的半监督方法相比分割精度更优。

关键词：医学影像;半监督学习;神经网络;回归任务;一致性损失