基于一致性正则化的半监督医学图像分割方法

摘要

针对医学图像标注成本高昂、耗时而半监督医学图像分割无标签数据分割不够精确、图像边缘信息损失、参数更新延迟等问题，提出一种基于一致性正则化的半监督医学图像分割方法。首先，设计一种基于熵-方差双视角不确定性度量方法来衡量无标签数据预测的不确定度，从熵和方差的角度联合评估无标记数据的不确定性；其次，为了避免添加随机噪声可能模糊器官边缘的问题，提出一种基于Canny算子的边缘保护噪声以保留图像的边缘信息和重要结构；第三，开发了一种基于均值教师（MT）框架的半监督残差驱动分割方法（RDMT），引入Frobenius范数正则项到指数移动平均方案中，以增强MT的性能。最后，在公开的多器官分割基准数据集BTCV与脑肿瘤分割数据集BraTS 2019上对本文方法进行验证，在BTCV数据集40%有标签数据情况下，Dice相似系数（DSC）与标准化表面距离分别为77.42%与79.47%，在BraTS2019数据集20%有标签数据情况下DSC为83.89%、Jaccard系数为74.21%、平均表面距离为2.34 mm、95%Hausdorff距离为9.08 mm，证明本文方法的优越性。

关键词

半监督医学图像分割 / 不确定性估计 / 边缘保护噪声 / 指数移动平均