基于形状引导和不确定性估计的半监督三维医学图像分割

摘要

在基于深度学习方法的医学图像分割任务中，通常需要大量的标记数据。然而，获得可靠的标注是昂贵且耗时的。为此，提出了一种新的框架，采用具有形状约束和不确定性估计的双一致性正则化半监督方法，用于3D医学图像分割。首先，引入了一种基于学习目标区域的形状约束，通过联合学习两个网络的输出，加强几何形状约束，从而学习更可靠的信息。其次，设计了一种分割网络，以生成不同尺度的特征图，并引入了多尺度一致性损失来增强其稳定性。然而，由于这些特征图的空间分辨率不同，直接在每个像素上强制一致性可能导致不可靠的结果和信息丢失。因此，进一步提出了一种基于不确定性估计的多尺度一致性学习，以逐步学习有意义和可靠的特征区域，并增强模型的鲁棒性。实验结果表明，由于强大的无标记数据的知识挖掘能力，本文所提出的方法优于流行的半监督医学图像分割方法。

关键词

3D医学图像分割 / 半监督学习 / 形状约束 / 不确定性估计