
摘要
像素级注释的稀缺性是医学图像分割任务中普遍存在的问题。在本文中,我们提出了一种新的正则化策略,涉及基于插值的混合方法,用于半监督医学图像分割。所提出的方法是一种新的一致性正则化策略,旨在促使两个未标记数据的插值分割结果与这些数据的分割图插值结果保持一致。该方法代表了一种特定的数据自适应正则化范式,有助于在高置信度值下减少对已标记数据的过拟合。与对抗性和生成模型相比,所提出的方法具有优势,因为它不需要额外的计算资源。在两个公开可用的MRI数据集(ACDC和MMWHS)上进行评估时,实验结果表明,所提出的方法优于现有的半监督模型。代码可在以下地址获取:https://github.com/hritam-98/ICT-MedSeg
代码仓库
hritam-98/ict-medseg
官方
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| semi-supervised-medical-image-segmentation-on | ICT-MedSeg | DSC: 79.83 |