導(dǎo)讀

在半監(jiān)督醫(yī)學圖像分割中，標記和未標記數(shù)據(jù)分布之間存在經(jīng)驗不匹配問題。本文提出了一種簡單的方法來緩解這個問題—在一個簡單的 Mean Teacher 架構(gòu)中雙向復(fù)制粘貼標記和未標記的數(shù)據(jù)。

Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation

論文鏈接：https://arxiv.org/pdf/2305.00673.pdf

源碼鏈接：https://github.com/DeepMed-Lab-ECNU/BCP

簡介

從CT或MRI等醫(yī)療圖像中分割內(nèi)部結(jié)構(gòu)對于許多臨床應(yīng)用至關(guān)重要。已經(jīng)提出了各種基于監(jiān)督學習的醫(yī)療圖像分割技術(shù)，這通常需要大量標注數(shù)據(jù)。然而由于在標注醫(yī)療圖像時手動輪廓繪制過程繁瑣且昂貴，近年來，半監(jiān)督分割越來越受到關(guān)注，并在醫(yī)療圖像分析領(lǐng)域變得無處不在。

一般地，在半監(jiān)督醫(yī)療分割領(lǐng)域，標簽數(shù)據(jù)和無標簽數(shù)據(jù)從相同分布抽取。但在現(xiàn)實世界中，很難從標記數(shù)據(jù)中估計準確的分布，因為它們數(shù)據(jù)很少。因此，在大量未標注數(shù)據(jù)和極少量標注數(shù)據(jù)宗師存在經(jīng)驗分布不匹配。半監(jiān)督分割方法總是嘗試以一致的方式對稱地訓(xùn)練標注和未標注數(shù)據(jù)。例如子訓(xùn)練生成為標簽，以偽監(jiān)督方式監(jiān)督未標注數(shù)據(jù)?；贛ean Teacher的算法采用一致性損失來監(jiān)督具有強增強的未標注數(shù)據(jù)，類似于監(jiān)督具有GT的標注數(shù)據(jù)。ContrastMask在標注數(shù)據(jù)和未標注數(shù)據(jù)上應(yīng)用密集對比學習。但是大部分已有的半監(jiān)督算法在不同學習范式下使用標注和未標注數(shù)據(jù)。

CutMix是一種簡單但強大的數(shù)據(jù)處理方法，也被稱為復(fù)制黏貼（CP），它有可能鼓勵未標注的數(shù)據(jù)從標注數(shù)據(jù)中學習常見的語義，因為同一圖中的像素共享的語義更接近。在半監(jiān)督學習中，未標注數(shù)據(jù)的弱-強增強對之間的強制一致性被廣泛使用，并且CP通常被用作強增強。但現(xiàn)有的CP方法未考慮CP較差未標注數(shù)據(jù)，或者簡單地將標注數(shù)據(jù)中物體復(fù)制為前景并黏貼到另一個數(shù)據(jù)。它們忽略了為標記數(shù)據(jù)和未標記數(shù)據(jù)設(shè)計一致的學習策略，這阻礙了其在減少分布差距方面使用。同時，CP試圖通過增加未標注數(shù)據(jù)的多樣性來增強網(wǎng)絡(luò)泛化能力，但由于CutMix圖像僅由低精度偽標簽監(jiān)督，因此很難實現(xiàn)高性能。

為了緩解標注數(shù)據(jù)和未標注數(shù)據(jù)之間經(jīng)驗不匹配問題，一個成功的設(shè)計是鼓勵未標注數(shù)據(jù)從標注數(shù)據(jù)中學習全面的公共語義，同時通過對標注數(shù)據(jù)和未標注數(shù)據(jù)的一致學習策略來促進分布對齊。本文通過提出一種簡單但非常有效的雙向復(fù)制黏貼（BCP）方法實現(xiàn)這一點。該方法在Mean Teacher框架中實例化。具體地，為了訓(xùn)練學生網(wǎng)絡(luò)，本文通過將隨機裁剪從標記圖像（前景）復(fù)制黏貼到未標注圖像（背景）來增加輸入。繁殖將隨機裁剪從五標注圖像（前景）復(fù)制黏貼到標注圖像（背景）來增加輸入。學生網(wǎng)絡(luò)由生成的監(jiān)督信息通過來自教師網(wǎng)絡(luò)的未標注圖像偽標簽和標注圖像的標簽圖之間的雙向復(fù)制黏貼進行監(jiān)督。這兩個混合圖像有助于網(wǎng)絡(luò)雙向?qū)ΨQ地學習標注數(shù)據(jù)和未標注數(shù)據(jù)間通用語義。

本文方法

定義三維醫(yī)療圖像為。醫(yī)療圖像半監(jiān)督語義分割目標是預(yù)測每體素標簽映射指示中背景和目標的位置。訓(xùn)練集包含個標注數(shù)據(jù)和個未標注數(shù)據(jù)（），即，，。

在本文的Mean Teacher架構(gòu)中，隨機選擇兩個未標注圖像，兩個標注圖像。之后從復(fù)制黏貼一個隨機塊到生成混合圖像，從到生成另一個混合圖像。無標注圖像能夠從標注圖像中從向內(nèi)（inward）和向外（outward）方向?qū)W習全面的通用語義。圖像和之后傳入學生網(wǎng)絡(luò)預(yù)測分割掩碼和。通過雙向復(fù)制黏貼來自教師網(wǎng)絡(luò)的未標注圖像預(yù)測和標注圖像標簽圖來監(jiān)督分割掩碼。

Mean Teacher和訓(xùn)練策略

在本文BCP框架中，有一個教師網(wǎng)絡(luò)和學生網(wǎng)絡(luò)。學生網(wǎng)絡(luò)由SGD優(yōu)化，教師網(wǎng)絡(luò)是學生網(wǎng)絡(luò)的指數(shù)移動平均。本文的訓(xùn)練策略包括三個步驟：首先使用標注數(shù)據(jù)預(yù)訓(xùn)練一個模型，然后使用預(yù)訓(xùn)練模型作為教師模型為未標注圖像產(chǎn)生偽標簽。在每一個周期，首先使用SGD優(yōu)化學生網(wǎng)絡(luò)參數(shù)。最后使用學生參數(shù)的指數(shù)移動平均更新教師網(wǎng)絡(luò)參數(shù)。

通過復(fù)制-黏貼預(yù)訓(xùn)練

本文對標注數(shù)據(jù)進行了復(fù)制黏貼增廣來訓(xùn)練監(jiān)督模型，監(jiān)督模型在自訓(xùn)練過程中會為未標注數(shù)據(jù)生成偽標簽。該策略已被證明能有效提高分割性能。

雙向復(fù)制-黏貼

在一堆圖像間執(zhí)行復(fù)制黏貼，首先需要生成零-中心掩碼，指示體素來自前景（0）或背景（1）圖像。零值區(qū)域大小為。雙向復(fù)制黏貼過程可以描述為：

雙向復(fù)制黏貼監(jiān)督信號

為了訓(xùn)練學生網(wǎng)絡(luò)，監(jiān)督信號也是由BCP操作產(chǎn)生。無標注的圖像和傳入教師網(wǎng)絡(luò)，計算概率圖：

初始的偽標簽由一個通常的二值化分割任務(wù)的閾值0.5決定，或者多標簽分割任務(wù)使用argmax操作。最后的偽標簽由選擇最大的連接組件，這操作可以有效地移除離群體素。之后提出雙向復(fù)制-黏貼無標注圖像偽標簽和有標注GT標簽獲得監(jiān)督信號。

損失函數(shù)

學生網(wǎng)絡(luò)的每個輸入圖像由來自標注圖像和未標注圖像分量組成。直觀地，標記圖像的GT掩碼通常比未標注圖像的偽標記更準確。使用控制無標注圖像像素對損失函數(shù)的影響：

教師網(wǎng)絡(luò)參數(shù)更新：

實驗

LA數(shù)據(jù)集

心房分割挑戰(zhàn)[39]數(shù)據(jù)集包括100個帶標簽的三維釓增強磁共振圖像掃描（GE MRI）。

這里選擇UA-MT，SASSNet，DTC，URPC，MC-Net，SS-Net作為比較模型。這里給出了不同標簽率下的實驗結(jié)果。表1給出了相關(guān)實驗結(jié)果?？梢钥闯霰疚姆椒ㄔ?個評價指標上都獲得最高的性能，大幅度超過比較模型。

Pancreases-NIT數(shù)據(jù)集

82個人工繪制的腹部CT增強體積。這里選擇V-Net，DAN，ADVNET，UA-MT，SASSNet，DTC和CoraNet作為比較算法。表2給出了相關(guān)實驗結(jié)果。本文方法BCP在Dice、Jaccard和95HD指標上實現(xiàn)了顯著的改進（即分別以3.24%、4.28%和1.16的優(yōu)勢超過第二好）。這些結(jié)果沒有進行任何后期處理以進行公平比較。

ACDC數(shù)據(jù)集

四類（即背景、右心室、左心室和心?。┓指顢?shù)據(jù)集，包含100名患者的掃描。表3給出了相關(guān)實驗結(jié)果。BCP超越了SOTA方法。對于標記比率為5%的設(shè)置，我們在Dice指標上獲得了高達21.76%的巨大性能改進

審核編輯 ：李倩