肝癌是常见癌症之一,有着较高的死亡率,精准分割肝癌区域是辅助诊断治疗的重要前提。然而肝脏CT图像需要专业的医师进行标注,有标签数据较少,获取途径单一。针对分割腹部肝脏CT图像需要大量高质量标签并且较难获取的问题,提出了一种采...肝癌是常见癌症之一,有着较高的死亡率,精准分割肝癌区域是辅助诊断治疗的重要前提。然而肝脏CT图像需要专业的医师进行标注,有标签数据较少,获取途径单一。针对分割腹部肝脏CT图像需要大量高质量标签并且较难获取的问题,提出了一种采用协同训练的半监督学习分割方法。首先,将有标签数据输入3D U-Net和3D Res U-Net进行有监督训练,保存训练得到的两个分割模型,在两个分割模型中分别对无标签数据进行预测;然后,挑选预测的结果,再加入全连接条件随机场处理挑选出的伪标签,细化伪标签的边缘信息,提升伪标签的精确度;最后,加入到训练集中,重复上述步骤直到分割结果的Dice相似系数停止提升时结束训练。实验在LiTS2017 Challenge肝脏数据集上进行测试,结果表明,在有标签数据集占总数据集的30%时,该方法的Dice值达到90.22%,几乎与全监督3D Res U-Net分割结果持平,说明该半监督学习方法是有效的。展开更多
文摘肝癌是常见癌症之一,有着较高的死亡率,精准分割肝癌区域是辅助诊断治疗的重要前提。然而肝脏CT图像需要专业的医师进行标注,有标签数据较少,获取途径单一。针对分割腹部肝脏CT图像需要大量高质量标签并且较难获取的问题,提出了一种采用协同训练的半监督学习分割方法。首先,将有标签数据输入3D U-Net和3D Res U-Net进行有监督训练,保存训练得到的两个分割模型,在两个分割模型中分别对无标签数据进行预测;然后,挑选预测的结果,再加入全连接条件随机场处理挑选出的伪标签,细化伪标签的边缘信息,提升伪标签的精确度;最后,加入到训练集中,重复上述步骤直到分割结果的Dice相似系数停止提升时结束训练。实验在LiTS2017 Challenge肝脏数据集上进行测试,结果表明,在有标签数据集占总数据集的30%时,该方法的Dice值达到90.22%,几乎与全监督3D Res U-Net分割结果持平,说明该半监督学习方法是有效的。