TMI2024论文解读：基于跨风格一致性的半监督医学图像分割方法

创作时间:

作者:

@小白创作中心

TMI2024论文解读：基于跨风格一致性的半监督医学图像分割方法

引用

CSDN

https://blog.csdn.net/m0_61574757/article/details/140503936

目录
文章概览
Abstract
Background
Method
Experiment
Conclusion
Assignment

文章概览

论文标题：
Semi-Supervised Medical Image Segmentation Using Cross-Style Consistency With Shape-Aware and Local Context Constraints

论文链接：
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10336832

代码链接：
https://github.com/igip-liu/SLC-Net

Abstract

本文提出了一种基于跨风格一致性的半监督医学图像分割方法，该方法结合了形状感知和局部上下文约束。该方法旨在解决医学图像分割中标记数据稀缺的问题，通过利用有限的标记数据和大量的未标记数据，实现高效的分割性能。该方法包括两个并行网络：形状感知网络和形状不可知网络，通过交叉伪监督的方式，在无需显式形状约束的情况下，隐式地捕获目标区域的形状信息，并利用局部上下文损失函数提升分割精度。

本文贡献：

跨模型伪监督框架：设计了一种新的跨模型伪监督框架，该框架结合形状感知和局部上下文约束，在有限的标记数据下实现了高精度的医学图像分割。
形状感知与隐式约束：不同于传统方法显式施加形状约束，本文提出的方法通过形状感知网络隐式捕获形状信息，利用输入层的形状相关信息来指导分割过程，提高了分割的鲁棒性和准确性。
局部上下文损失函数：提出了一种新的局部上下文损失函数，使网络能够学习分割的局部上下文，从而增强了整个图像的形状表示，提高了分割的局部准确性。

Background

医学图像分割在疾病诊断、治疗规划和疗效评估中具有重要意义。然而，医学图像的标注成本高且耗时，限制了全监督学习方法在医学图像分割中的应用。半监督学习作为一种新兴范式，通过利用少量的标注数据和大量的未标注数据，为医学图像分割提供了新的解决方案。

Method

本文提出的半监督医学图像分割方法主要包括以下几个部分：

1. 跨模型伪监督框架：该框架由两个并行网络组成：形状感知网络和形状不可知网络。形状感知网络通过接收原始图像和形状不可知网络生成的伪标签作为输入，隐式地捕获目标区域的形状信息。形状不可知网络则利用Monte Carlo dropout不确定性估计为形状感知网络生成可靠的伪标签。

形状感知与隐式约束：形状感知网络通过添加形状不可知网络的预测作为输入，隐式地捕获目标区域的形状信息。这种方式不需要显式地施加形状约束，而是利用输入层的形状相关信息来指导分割过程，提高了分割的灵活性和鲁棒性。
局部上下文损失函数：为了提升分割的局部准确性，本文设计了一种新的局部上下文损失函数。该损失函数在图像的局部区域进行预测，并与全局重叠的Dice损失和流行的交叉熵损失形成对比，以更好地表示图像的局部上下文信息。

Experiment

作者在多个医学图像分割数据集上进行了广泛的实验，验证了所提方法的有效性。实验结果表明，该方法在有限的标记数据下，能够生成准确的分割结果，并优于其他半监督学习方法。同时，作者还通过可视化结果展示了该方法在医学图像分割中的优越性。

Conclusion

本文提出了一种基于跨风格一致性的半监督医学图像分割方法，该方法结合了形状感知和局部上下文约束，通过跨模型伪监督的方式实现了高效的分割性能。实验结果表明，该方法在有限的标记数据下能够生成准确的分割结果，并优于其他半监督学习方法。该方法为医学图像分割领域提供了新的解决方案，具有重要的应用价值和研究意义。