九九热视频精品在线_国产成人mv视频在线观看_国产精品三级一区二区_亚洲精品国产av成拍色拍婷婷_久久伊人一区二区_国产高清精品网站_九九99热久久精品离线6_国产在线一卡2卡三卡4卡免费_日韩美女乱淫aaa高清视频_亚洲大胆_啪啪一级视频_午夜av免费观看_国产高清精品福利私拍国产写真_亚洲婷婷五月综合狠狠_日韩欧美一区二区三区视频_岛国av免费看_精品国产乱码久久久久久久软件_亚洲国产成人精品无码区99_www日本色_免费黄色看片

編輯 | ScienceAI

3D 醫(yī)學圖像分割方法已經(jīng)取得了成功，但它們對大量體素級標注數(shù)據(jù)的依賴是一個需要解決的缺點，因為獲取這些標注的成本很高。

半監(jiān)督學習（SSL）通過使用大量未標注數(shù)據(jù)和少量標注數(shù)據(jù)進行模型訓練，解決了這一問題。

最成功的 SSL 方法基于一致性學習，即通過最小化從擾動視圖中獲得的模型響應之間的距離來實現(xiàn)的。這些擾動通常在視圖之間保持空間輸入上下文的一致性，這可能導致模型從空間輸入上下文中學習分割模式，而不是從前景對象中學習。

在最新的研究中，澳大利亞阿德萊德大學（The University of Adelaide）、同濟大學等機構(gòu)的研究人員提出了 TraCoCo，這是一種一致性學習 SSL 方法，它通過改變輸入數(shù)據(jù)視圖的空間輸入上下文來進行擾動，使模型能夠從前景對象中學習分割模式。

此外，該團隊提出了一種新的“Confident Regional Cross entropy (CRC)”損失，該損失提高了訓練收斂性，并保持了對共訓練偽標簽錯誤的魯棒性。該方法在多個3D數(shù)據(jù)基準上達到了最先進的結(jié)果，例如左心房（LA）、胰腺CT（Pancreas）、和腦腫瘤分割（BraTS19）。該方法在一個 2D 切片基準——自動心臟診斷挑戰(zhàn)（ACDC）上也取得了最佳結(jié)果，進一步證明了其有效性。

文章地址：https://ieeexplore.ieee.org/abstract/document/10695462

代碼地址：https://github.com/yyliu01/TraCoCo

背景

3D醫(yī)學圖像分割方法雖然已取得成功，但它們依賴于大量體素級別標注數(shù)據(jù)，這是一個亟需解決的問題，因為獲得這些標注的成本非常高。為了克服這一挑戰(zhàn)，半監(jiān)督學習（SSL）通過結(jié)合大量未標注數(shù)據(jù)和少量標注數(shù)據(jù)來訓練模型，從而減少對標注數(shù)據(jù)的需求。

最成功的 SSL 方法基于一致性學習，通過最小化模型在未標注數(shù)據(jù)的不同擾動視圖下的響應差異來實現(xiàn)一致性。然而，這些擾動通常保持視圖之間的空間輸入上下文較為一致，這可能導致模型從空間上下文中學習分割模式，而不是從前景對象中學習。

為解決這一問題，研究人員提出了一種新的 SSL 方法，稱為 Translation Consistent Co-training（TraCoCo）。TraCoCo 通過改變輸入數(shù)據(jù)視圖的空間輸入上下文來擾動視圖，使模型能夠從前景對象中學習分割模式。

同時，該研究還提出了一種新的 Confident Regional Cross-Entropy（CRC）損失，該損失旨在提高訓練的收斂性并保持對共訓練偽標簽錯誤的魯棒性。

Translation Consistent Co-training(TraCoCo)

TraCoCo是一種基于互助學習（Co-training）框架的方法，該框架通過翻譯一致性（Translation Consistency）來擾動輸入數(shù)據(jù)的空間上下文，從而減少模型對背景模式的“記憶”，確保模型專注于前景對象的分割。

模型框架

TraCoCo 包含兩個初始參數(shù)不同的獨立網(wǎng)絡（通常為 VNet或 3D-UNet）。輸入數(shù)據(jù)通過隨機裁剪生成兩個子體積（sub-volumes），這兩個子體積的空間上下文不同，但在體素網(wǎng)格中存在重疊區(qū)域。

模型目標

為了確保模型在不同空間上下文下的前景分割結(jié)果一致，TraCoCo 引入了多種損失函數(shù)，包括監(jiān)督學習損失、半監(jiān)督學習損失和翻譯一致性損失。本文的方法實現(xiàn)通過最小化以下?lián)p失函數(shù)來進行訓練：

其中，分別由監(jiān)督學習損失，半監(jiān)督學習損失，和翻譯一致性損失組成。

監(jiān)督學習損失（SupervisedLearning Loss）

監(jiān)督學習損失通過帶標注的數(shù)據(jù)集 D_L 進行計算，包括體素級交叉熵損失（Cross-Entropy Loss）和 Dice損失，用來優(yōu)化模型的分割性能。損失函數(shù)定義為：

TranslationConsistency Loss

Translation ConsistencyLoss 主要目標是確保模型在不同空間上下文下的分割結(jié)果一致。具體實現(xiàn)過程如下：從訓練體積中隨機提取兩個中心不同的子體積

損失函數(shù)定義為：

其中，公式 4 是 Kullback-Leibler（KL）散度，用于計算兩個子體積在重疊區(qū)域的分割結(jié)果之間的差異；公式 5 是基于負熵的正則化損失，用于平衡訓練體素中的前景和背景類。

半監(jiān)督學習損失（Semi-supervisedLearning Loss）

半監(jiān)督學習損失用于強化兩個模型之間的分割一致性，Confident Regional Cross-Entropy (CRC) Loss, 其定義為：

3DCutMix

為了進一步提高訓練的泛化性，本文采用了 3DCutMix 技術(shù)。實現(xiàn)為隨機生成一個 3D 二值掩碼，該掩碼包含一個隨機定義位置和尺寸的“1”方塊。掩碼應用在未標注數(shù)據(jù)和偽標簽上，定義為：

實驗

本文在四個公開的 3D 醫(yī)學圖像半監(jiān)督分割數(shù)據(jù)集上進行了實驗，包括：

左心房（Left Atrium, LA）：100 個 3D MRI 體積，其中 80 個用于訓練，20 個用于測試。

胰腺 CT（Pancreas-CT）：82 個對比增強的 CT 掃描，采用特定的預處理步驟。

腦腫瘤分割 2019（BraTS19）：包含 335 個腦部 MRI 樣本，每個樣本包含四種掃描類型（T1, T1-ce, T2, FLAIR）。

自動心臟診斷挑戰(zhàn)（ACDC）：該數(shù)據(jù)集包含 100 個心臟 MRI 掃描，本文使用了其 2D 切片進行半監(jiān)督學習。

實驗設置：采用了 VNet 和 3D-UNet 作為模型架構(gòu)，實驗評估指標包括Dice、Jaccard、平均表面距離（ASD）和 95%Hausdorff距離（95HD）。實驗結(jié)果顯示，TraCoCo 在這些基準測試上均優(yōu)于現(xiàn)有的最先進（SOTA）方法，特別是在標注數(shù)據(jù)較少的情況下。

總結(jié)

本文提出了 TraCoCo 和 CRC 損失在 3D 和 2D 醫(yī)學圖像分割任務中的有效性，證明了其在減少對背景模式的“記憶”以及提高前景對象分割精度方面的能力。

未來的工作計劃包括擴展 TraCoCo 到更多復雜的醫(yī)學圖像任務，并在多模態(tài)醫(yī)學圖像中探索其半監(jiān)督學習能力。