智慧医疗实验室
通用链接 English 手机版
新闻资讯

实验室关于半监督学习的最新论文在IEEE TMI发表

发布时间:2021-10-09 点击次数:

10月5日,医学影像计算领域顶级期刊IEEE Transactions on Medical Imaging (影响因子10.048)发表了本实验室在CT图像中肺纤维化自动分割方面的工作“Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis from Lung CT Scans with Multi-Scale Guided Dense Attention”。该工作利用深度学习技术,通过一种新型的神经网络结构PF-Net,实现肺纤维化病灶的准确自动分割,并且提出了一种新的半监督学习算法,可大大减少医学图像分割的人工智能算法所需要的标注量。

肺纤维化图像的例子

肺癌是发病率最高的癌症之一,放疗是癌症的主要治疗手段。然而放疗过程中受反复射线照射的病人容易遭受放射性损伤,肺纤维化就是典型的放射性损伤之一。从CT图像中对肺纤维化进行准确的自动分割,可以精确观测肺纤维化程度,对放疗决策、效果评估等具有重要意义。

PF-Net的结构图

本文针对肺纤维化病灶形态不规则、尺度、位置变化大,图像三维分辨率各向异性等带来的分割难题,设计了一种新型的卷积神经网络PF-Net。传统的卷积神经网络采用单纯的二维卷积或三维卷积,不能很好处理具有较大层间距的图像。PF-Net先通过两次二维卷积和下采样,将图像的三维分辨率调整为各向同性,再利用三维卷积学习三维特征。此外,通过多尺度注意力的方式,让网络可以更关注在病灶附近的区域,并且通过各尺度间注意力图的密集连接,提高了跨尺度间信息融合的能力,从而得到更好的分割效果。

PF-Net与其他网络结构的比较

针对训练图像中病灶的标注过程耗时、费力的问题,本文提出一种半监督学习算法I-CRAWL(Iterative Confidence-based Refinement And Weighting of pseudo Labels)。该方法针对未标注图像生成伪标签,通过不确定性估计对伪标签进行修正,并且按照不确定性的大小对伪标签进行加权,有利于分割网络学习过程中避免低质量伪标签的干扰,从而在训练集中仅有一部分图像有标注的情况下,得到较好的训练效果。

伪标签在学习过程中的变化

本研究成果由电子科技大学与美国马里兰大学、罗格斯大学等单位合作完成。电子科技大学为第一完成单位。

 

论文链接:https://ieeexplore.ieee.org/document/9558828