Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation笔记
Posted 松下直子
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation笔记相关的知识，希望对你有一定的参考价值。
Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation
摘要
- 与2D图像相比，3D医学体包含不同方向的信息，如横断面、矢状面、冠状面等，自然形成互补视图
- 利用互补的视图和相邻3D切片之间的内在相似性
- 在标记体中只标注两个正交切片的正交标注方法
- 对稀疏标记进行配准，获得初始伪标签
- 稠密稀疏协同训练(DeSCO)的双网络范式：在早期阶段利用密集伪标签，在后期利用稀疏标签，同时强制两个网络输出一致
- 半监督加上弱监督
- 代码链接
本文方法
正交标注的好处
首先，作者说到正交注释优于平行注释
t1和t2为平行切片，c为正交切片，正交切片之间具有更好的一致性
正交标注具有更好的初始化
配准模块
通过配准模块将切片的标签传播到相邻切片
在图中为Mreg
标签混合
稀疏注释Y和密集配准伪标签Ya和Yb
通过混合密集配准伪标签和地面真相稀疏注释来生成伪标签~ Ya和~ Yb
LabelMix表示一个函数，通过将Y中未标记的体素替换为Ya中的伪标签来混合它们
假设标签传播的错误率为一定值，第i片的可信度可记为wi = αd
整体结构如下图
协同训练
- 它在一个小批处理中同时利用已标记和未标记的
- Mseg两个网络分别训练不同的标签
- 损失函数
此外。逐渐降低衰减率α，最后降到零，这意味着网络摆脱了伪标签，只从稀疏注释中学习
对于无标签数据，互相作为伪标签
总结
本文提出了三维医学图像分割的正交标注方法，即为一个体标记两个正交的切片，并验证了该方法的有效性。然后，我们将这种标注方式应用于几乎没有监督的分割设置。为了更好地利用具有正交注释的卷和大量未标记的卷，我们设计了一种密集-稀疏协同训练范式，该范式首先从密集的伪标签中学习，然后降低噪声，并在后期从稀疏注释中获得进一步的提升。我们的方法可以通过交叉监督更好地综合两个平面的知识。大量的实验验证了我们的正交注释和DeSCO范式的有效性，例如，我们的方法与半监督方法相比，可以获得接近或更好的性能，但注释只有2% ~ 3%
以上是关于Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation笔记的主要内容，如果未能解决你的问题，请参考以下文章
Orthogonal Neighborhood Preserving Projections: A projection-based dimensionality reduction techniqu