RCPS ~医学图像半监督分割

该团队开发了一种新型算法-RCPS（基于校正对比伪监督）专门针对医学图像半监督分割问题。该算法通过融合不确定性评估机制与一致性约束项两种创新手段显著提升了伪监督模型的效果。实证结果表明该方案较现有最先进的半监督分割技术实现了显著性能提升并展现出超越现有方法的独特优势之前我也从事过医疗相关工作因此对此持浓厚关注

Paper:** RCPS: Refining Discriminative Pseudo-Supervision to Enhance Semi-Supervised Medical Image Segmentation**
PDF: https://arxiv.org/pdf/2301.05500v1.pdf
Code: https://github.com/hsiangyuzhao/RCPS

医学图像分割技术通常依赖于全监督学习方案以确保性能表现优异

针对上述问题，本文提出了一种 novel 的半监督分割方法 RCPS（Corrected Contrastive Pseudo-Supervision），该方法整合了 uncertainty-aware pseudo-supervision 和 voxel-level contrastive learning 的技术优势以提升性能。具体而言，在该策略中结合 uncertainty-aware pseudo-supervision 和 consistency regularization 的思想以减少伪标签噪声的影响；此外，在网络架构中引入 voxel-level bidirectional contrastive loss 项以确保 feature space 中的 intra-class consistency 和 inter-class discriminability 从而进一步增强图像分割中的 class separability.

本研究采用的RCPS分割方法已在两个公共数据集（MRI左心房分割和CT胰腺分割）以及一个内部临床数据集（创伤性脑损伤TBI患者的大脑分割）上进行了大量实验。实验结果验证了，在与半监督医学图像分割领域的最新技术相比，本研究提出的方法在分割性能方面表现更为优异。

创新点

开发了一种改进型伪监督学习方法（基于不确定性评估与一致性约束）

该系统开发了两项技术方案：双向体素对比损失函数和基于置信度的负采样方法，并旨在优化特征空间中各类别之间的语义区分度

方法剖析

图1.RCPS网络架构图

RCPS网络架构

校正伪监督技术

伪监督

该方法通过自适应体素权重实现了对伪监督损失的不确定性估计，在置信度较高的像素位置上赋予了较高权重值，在置信度较低的位置则赋予了较低的权重值。这种技术有效地降低了由于标签噪声带来的负面影响，并显著提升了分割过程中的鲁棒性

一致性正则化

实验结果

Visual comparison with other methods on LA dataset

基于该数据集下的RCPS网络相较于其它方法而言具有显著优势，在微小结构中能够呈现更为精细的细节描述。

Visual comparison with other methods on PANCREAS-CT dataset

类似于基于 LA 的数据集的结果

Visual comparison with other methods on TBI dataset

基于TBI数据集上，在采用我们提出的半监督学习方法进行训练后，该模型不仅能够识别并划分全监督学习中通常被忽视的结构单元，并且输出的结果相较于传统全监督方法具有更为精细的空间划分能力。 chaosisoft aiot http://143ai.com

结论

本文提出了一种 novel RCPS 方法用于医学图像的半监督分割。通过应用不确定性估计法和一致性正则化的双重校正策略，在提升性能方面取得了显著效果。此外，在特征空间中设计并引入了双素对比损失函数以实现较大类间距离与较小类内距离的平衡配置这一措施进一步提升了分割性能水平。大量实验证明所提出的 RCPS 方法在性能上显著优于现有最先进的半监督分割技术