科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 针对人体组织器官及病灶区域的3维图像分割是计算机辅助医疗诊断的重要前提，是医学影像3维可视化的重要技术基础。深度学习方法在医学图像分割任务中的成功通常取决于大量有标注数据。半监督学习利用未标注数据容易获取的优点，在模型训练过程中使用少量标注数据和大量未标注数据进行学习，缓解了数据标注昂贵耗时的问题，在医学图像分割中受到了广泛关注。为更好地利用无标注数据，提升医学图像分割效果，提出一种新的一致性正则方法用于半监督3维医学图像分割。方法 模型以V-Net为基础架构，通过扩展网络结构，在均带有分割任务及回归任务属性的双任务主副解码器之间添加了用于正则化约束的交叉损失，构建了具有形状感知的基于双任务的交叉一致性正则网络SACC-Net(shape-aware cross-consistency regular network based on dual tasks)，实现将数据层面和模型层面的扰动融合进多任务机制的一致性正则方法，使模型能够更好地利用未标注数据的有效先验信息，并且具有更好的泛化性能。结果 在MICCAI 2018(Medical Image Computing and Computer Assisted Intervention Society)心房分割挑战赛公布的数据集中的3维左心房核磁共振成像上验证本文算法，在仅使用训练集中10%的有标注数据的实验组中，Dice系数、Jaccard指数、HD(Hausdorff distance)距离和平均对称表面距离分别为88.01%、78.89%、8.19和2.09。在另一组仅使用20%的有标注数据的实验中Dice系数、Jaccard指数、HD距离和平均对称表面距离分别达到90.11%、82.11%、6.57和1.78。结论 本文提出的半监督分割模型性能显著，综合了数据、模型和任务层面的一致性正则约束，与其他半监督方法相比分割效果更好且具有更佳的泛化性能。
- 单位
