Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation

摘要

半监督学习的最新趋势显著提高了3D半监督医学图像分割的性能。与2D图像相比，3D医学体积涉及来自不同方向的信息，例如横向、矢状面和冠状面，从而自然地提供互补的视图。这些互补的视图和相邻3D切片之间的内在相似性启发我们开发一种新的注释方式及其相应的半监督模型来进行有效分割。
本文方法

1. 提出了正交标注，只标注一个标注体积中的两个正交切片，这大大减轻了标注的负担
2. 然后执行配准以获得稀疏标记卷的初始伪标签
3. 随后，通过引入未标记的体积，我们提出了一种名为密集稀疏协同训练（DeSCO）的对偶网络范式，该范式在早期利用密集伪标签，在后期利用稀疏标签，同时强制两个网络输出一致。
   代码地址
   
   上图说明了本文的注释方法：
   每个带有注释的volume只标记有两个正交切片
   下图显示了正交标注与其他方式的效率和有效性之间的比较，包括传统的密集标注和以前在一个平面上标记切片的稀疏标注。

本文方法

DeSCO模型：
对于具有正交标注的体积，Mreg在两个方向上将正交标注传播到整个体积中，结果分别作为伪标签来监督分割模型Mseg·a和Mseg·b
对于未标记的卷，Mseg·a和Mseg·b用它们的输出互相监督
权重图指导Lsup和白色区域意味着更高的权重

Registration Module

配准寻求将一个图像映射到另一个图像的空间变换。对于两个切片：标记切片（Xl，Yl）和未标记切片Xu，配准通过从Xl到Xu的映射获得空间变形场Φ（·）。Xu的伪标签可以通过对标签Yl应用相同的空间变形场来获得
由于相邻切片中的分割目标通常在形状和大小上相似，因此通过配准模块Mreg将切片的标签传播到其相邻切片是可行的。请注意，配准模块是一种现成的工具，不需要训练，因此除了只生成一次伪标签外，它几乎没有引入额外的计算成本。

Label Mixing

对于具有稀疏正交注释的每个体积X，我们具有地面实况稀疏注释Y和密集配准伪标签Dir Ya和Dir Yb。现在，我们通过混合密集配准伪标签和地面实况稀疏注释来生成伪标签Ya和Yb：

Dense-Sparse Co-Training

实验结果