图像分割是医学图像分析中的基本任务之一。在图像分割领域中,全监督学习方法已经被广泛应用。它能够准确地从医学图像中分割出对应器官和病变区域等重要结构,这对医生的诊断具有很好的辅助作用。并且精确的分割结果也对后续任务的进行起到积极的影响和指导作用。然而,全监督学习方法需要大量的标注数据来训练模型,以便获得良好的性能表现,在医学图像领域,图像标注这个过程需要专业的医疗知识和技能,因此标注数据的获取成本很高,而且标注的质量也很难得到保证。同时,医学图像的数据量通常比较小,且存在图像不均匀和类别不平衡等问题,这些同样也会影响全监督学习方法的表现。如何从有限的注释中学习并获得比较好的结果,已成为医学计算领域的一个非常热门的话题。针对这个问题,半监督学习方法是一种表现出色的解决方案,它可以有效的从有限的标注数据中学习并获得足以媲美全监督学习算法的效果,从而可以大大减少标注者的工作量。本文针对医学图像中标注数据不足、图像质量不均匀和类别不平衡等挑战,利用半监督学习方法进行训练,探索未标记数据的潜在价值,在仅有少量标注数据的情况下实现医学图像分割。本文的主要研究工作和贡献总结如下:(1)本文提出了一种基于多尺度一致性正则化的半监督医学图像分割模型MSCNet(Multi-Scale Consistency U-Net)。该模型借鉴了CCT(Cross Consistency Training)半监督方法,将其辅助解码器的概念应用到主干网络U-Net模型的不同尺度上,生成多尺度的预测结果,并利用这些多尺度结果进行半监督分割。为了提高预测结果的稳定性和可靠性,本文提出了多尺度相互一致性损失,来实现各辅助解码器之间的相互监督。此外,为了提升模型的性能和表征能力,本文将网络的编码器结构改进为效果更好的ResNet结构。同时,考虑到数据集中类别不平衡的情况,本文采用混合损失的方式对标记样本进行训练。(2)为了克服MSCNet在3D医学图像分割上的缺陷,提出了一种适用于3D医学图像的半监督分割模型CAMT(Cut Mix Attention Mean Teacher),该模型的主干网络采用融合注意力模块的3D U-Net模型,其中注意力模块由通道注意力和空间注意力并行与跳跃连接构成,能够准确捕获图像中的特征,从而提高分割的准确性。为了充分利用未标记的数据,本文采用MeanTeacher半监督学习框架,并引入置信度选择模块来进行训练。此外,为增加训练数据的多样性和一致性正则化的效果。本文还采用了CutMix数据增强方法对无标记数据施加扰动。(3)设计和开发了一个医学图像自动分割系统,该系统具备医生等相关人员所需的基本功能,提供了简洁的操作界面和良好的后期可扩展功能,并集成了本文提出的两种分割算法。
