研究意义
得益于大量的标注数据，监督学习在图像语义分割任务中取得了重要进展。然而，在图像语义分割，特别是医学影像语义分割等任务中，语义标注严重依赖标注人员的专业知识，非常耗时耗力。在跨模态图像分割任务中，语义标注对专业知识的要求更高，也更加昂贵。因此，不依赖目标模态数据标注的非监督跨模态图像语义分割在实际应用中具有重要的价值，得到了学术界的广泛关注。 在非监督跨模态图像语义分割中，依赖伪标签的自监督学习取得了令人鼓舞的性能，但伪标签独有的、难以回避的噪声干扰，严重影响了分割性能。因此，如何充分利用目标模态的所有非标注数据，同时减小伪标签的不可靠性带来的影响，是非监督跨模态图像语义分割任务中需要解决的重要问题，也是本文研究工作的重点。
本文工作
针对非监督跨模态图像语义分割，本文采用非标注数据的网络预测可信度加权方法减少伪标签的噪声影响，采用双网络互相监督学习进一步提升分割精度。具体来说，我们提出了一种新的网络预测可信度加权的DICE损失函数，利用不同初始化条件下的两个网络分别对非标柱数据的分割预测概率输出进行相互监督和训练。这样可以在充分利用所有非标注数据进行训练的同时，减少伪标签噪声带来的影响。实验结果表明：在非监督跨模态图像语义分割任务中，本文方法取得了优于已有工作的分割性能。
本文的创新点如下：
(1) 提出了一种预测可信度加权的双网络相互学习的非监督跨模态图像语义分割方法。
(2) 提出了一种特殊的可信度加权Dice损失函数，应用于网络间的相互监督，可充分利用目标模态的所有非标注数据，并考虑了伪标签质量带来的影响。
(3) 提出的方法能很好地应用于跨模态医学图像语义分割，解决医学图像分割在不同模态下呈现的较大差异性问题。
实验结果
本文所提出的方法在三种常用的跨模态医学影像数据集 (MM-WHS 2017, Brats 2018, Multi-organ segmentation) 上进行了验证，实验验证了所提方法的优越性能。
文章信息
Yajie CHEN, Xin YANG & Xiang BAI. Confidence-weighted mutual supervision on dual networks for unsupervised cross-modality image segmentation. Sci China Inf Sci, doi: 10.1007/s11432-022-3871-0
研究团队
陈雅婕,杨欣：华中科技大学电子信息与通信学院
白翔：华中科技大学人工智能与自动化学院
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
