双任务联合学习的一致性半监督医学影像分割

【摘要】：半监督学习由于可以利用少量标注数据和大量无标注数据进行学习,得到了研究人员的广泛关注。现有的半监督医学影像分割算法多通过对数据或者网络添加扰动,以隐式加强模型训练的一致性正则化。本文则从构建显式一致性正则化的角度出发,提出了一种双任务联合学习的一致性半监督医学影像分割框架。该框架通过两个任务分支同时进行分割图和符号距离图的预测,并构建两个任务之间的一致性损失函数,使得模型的两个分支在训练过程中可以学习彼此间有用的信息。分割分支可以充分利用未标注的数据从符号距离图中学习到物体的全局特征,以加强目标分割的几何结构方面的约束。在两个医学影像分割数据集上的实验结果表明,本文的方法通过利用未标注的数据大幅度提升了模型的分割效果,并且性能优于当前最先进的半监督图像分割算法。