基于混合监督学习与度量学习的医学图像分割

作者：聂秀萍; 刘立陆; 何立锋; 王越; 陆豪健; 楼颂梅^*; 熊蓉^*

来源：电子科学技术, 2022, (03): 123-132.

DOI：10.16453/j.cnki.ISSN2096-5036.2022.03.012

• 医学图像分割
• 混合监督学习
• 度量学习
• 多任务网络

高精度自主定位目标器官和病灶是手术机器人领域的关键技术之一。近年来,基于监督学习的方法在此任务上取得了良好的表现,但是高昂的标注成本限制了这类方法的临床应用。混合监督学习可以同时利用少量强标签与大量弱标签,实现精度与成本之间的平衡。然而,现有的混合监督方法存在任务间和任务内不一致性问题,导致分割性能较差。本文设计了一个全新的基于混合监督学习的医疗图像分割框架,利用少量精确掩模标注和大量图像级别类标注,实现了低成本高精度图像分割。具体而言,为了解决多任务间不一致性问题,本文设计了全参数硬共享策略,保证了任务之间的收敛速度一致。为了解决任务内不一致性问题,本文设计了基于度量学习的分割模块,保证前景特征的一致性及前背景特征的差异性。为了减少不同分支之间的独立参数,本文设计了单卷积分类模块,负责弱监督分支的特征解码。最后,本文所提方法在公开的LiTS数据集上进行了实验,与现有方法相比取得了最佳的分割表现。

• 单位
  浙江大学医学院附属邵逸夫医院; 浙江大学