基于多任务学习的弱监督皮肤图像分割

摘要

为了降低网络受到数据集标注的限制，提出了一种基于多任务学习的弱监督医学图像语义分割模型，仅使用图像级真实标签实现了优异的医学图像分割性能.该模型利用图像分类任务和显著性检测任务辅助语义分割任务使之达到更好的分割效果，图像分类分支使用重建类激活图的方法降低类激活图过激活和欠激活的概率，同时设计了跨任务语义挖掘模块学习显著性检测任务和语义分割任务间的相似性用于优化特征图.融合类激活图和显著图生成像素级伪标签，并在训练过程中迭代优化伪标签，提升网络的分割性能.实验证明提出的方法在ISBI2016和ISIC2017皮肤图像数据集的平均交并比指标分别为68.24%和60.92%,远高于其他先进的弱监督语义分割算法.

关键词

弱监督 / 医学图像分割 / 跨任务 / 多任务学习

基金资助

国家自然科学基金项目(61873259,U20A20200,61821005); 中国科学院青年创新促进会项目(2019203)