北航等最新《深度半监督学习医学图像分割》综述，16页pdf阐述医学图像分割的半监督学习方法体系

2022 年 8 月 2 日 专知

医学图像分割是医学图像处理的基本任务之一，这是计算机辅助诊断、治疗规划、放射治疗[1]、[2]等许多临床方法的基础和重要步骤。最近来自北航的学者发布《深度半监督学习医学图像分割》综述，非常值得关注！

医学图像分割是许多图像引导临床方法的基础和关键步骤。近年来，基于深度学习的分割方法的成功通常依赖于大量的标记数据，这是非常困难和昂贵的，特别是在医学成像领域，只有专家才能提供可靠和准确的注释。半监督学习已经成为一种很有吸引力的策略，并被广泛应用于医学图像分割任务，以训练具有有限注释的深度模型。在本文中，我们全面回顾了最近提出的医学图像分割的半监督学习方法，并总结了技术创新和实证结果。此外，我们还分析和讨论了现有方法的局限性和未解决的几个问题。我们希望这篇综述能够启发学术界探索解决这一挑战的方法，并进一步推动医学图像分割领域的发展。

https://www.zhuanzhi.ai/paper/d78f571d02a0becf45ef18c01d67ffd5

医学图像分割(MEDICAL image segmentation)的目的是通过将每个像素标记为某一类，从原始图像中勾画出器官、肿瘤等感兴趣的解剖结构，这是计算机辅助诊断、治疗规划、放射治疗[1]、[2]等许多临床方法的基础和重要步骤。准确的分割可以提供可靠的体积和形状信息，帮助进一步的临床应用如疾病诊断和定量分析[3]，[4]，[5]。根据图1中第24届国际会议和医学图像计算与计算机辅助干预1 (MICCAI 2021)的论文标题词云，我们可以观察到“分割”是医学图像分析社区中最活跃、频率最高的研究课题之一。

自2015年引入用于医学图像分割的U-Net[6]、[7]以来，人们提出了多种编码器-解码器架构来改进它，包括重新设计跳跃连接[8]、加入残差/密集卷积块[9]、[10]、注意力机制[11]、[12]等。Isensee等人[13]提出了nnU-Net，基于编码器-解码器架构自动调整训练策略和网络架构到给定的数据集，用于医学图像分割。受自然语言处理领域近期成功的transformer架构的启发，许多基于transformer的方法被提出并应用于医学图像分割[14]，[15]。尽管这些架构上的进步已经显示出令人鼓舞的结果，并在许多医学图像分割任务[16]中取得了最先进的性能，但这些方法仍然比以往任何时候都更需要相对大量的高质量注释数据来进行训练。然而，获得大规模精心标记的数据集来训练分割模型是不切实际的，特别是对于医学成像，获得注释良好的数据是困难和昂贵的，只有专家可以提供可靠和准确的注释[17]。此外，许多常用的医学图像，如计算机断层扫描(CT)和磁共振成像(MRI)扫描是三维体积数据，这进一步增加了人工注释的负担，而在二维图像中，专家需要从体积切片[18]中勾画出物体。

为了减轻人工标注的负担，应对这些挑战，研究人员在医学图像分割任务中投入了大量精力，通过标签生成[19]、数据增强[20]、利用外部相关标记数据集[21]和半监督学习利用非标记数据来扩大训练数据。在这些方法中，半监督分割是一种更实用的方法，它鼓励分割模型利用更容易获得的未标记数据，结合有限的标记数据进行训练，这对现实世界的临床应用有很大的影响。根据图2的统计数据，半监督医学图像分割近年来越来越受到医学影像和计算机视觉界的关注。然而，由于没有经过专家审查的注释，如何从这些未标记的数据中有效地利用有用的信息仍然是一个开放和具有挑战性的问题。