作者:Lequan Yu,Shujun Wang,Xiaomeng Li,Chi-Wing Fu,Pheng-Ann Heng
摘要:训练深度卷积神经网络通常需要大量标记数据。然而,为医学图像分割任务注释数据是昂贵且耗时的。在本文中,我们提出了一种新的不确定性感知半监督框架,用于从三维MR图像左心房分割。我们的框架可以通过鼓励在不同扰动下对相同输入的一致预测来有效地利用未标记的数据。具体地,该框架由学生模型和教师模型组成,并且学生模型通过最小化关于教师模型的目标的分段丢失和一致性损失来从教师模型学习。我们设计了一种新颖的不确定性感知方案,使学生模型能够通过利用不确定性信息逐步从有意义和可靠的目标中学习。实验表明,我们的方法通过合并未标记的数据实现了高性能增益。我们的方法优于最先进的半监督方法,展示了我们的框架对具有挑战性的半监督问题的潜力。
原文标题:Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。