基于3D scSE-UNet的肝脏CT图像半监督学习分割方法

作     者：刘清清 周志勇 范国华 钱旭升 胡冀苏 陈光强 戴亚康 LIU Qing-qing;ZHOU Zhi-yong;FAN Guo-hua;QIAN Xu-sheng;HU Ji-su;CHEN Guang-qiang;DAI Ya-kang

作者机构：中国科学技术大学生命科学与医学部生物医学工程学院(苏州)江苏苏州215163 中国科学院苏州生物医学工程技术研究所江苏苏州215163 苏州大学附属第二医院江苏苏州215000 济南国科医工科技发展有限公司山东济南250000 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2021年第55卷第11期

页      面：2033-2044页

核心收录：

学科分类：08[工学] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 

基　　金：国家重点研发计划资助项目(2018YFA0703101) 中国科学院青年创新促进会资助项目(2021324) 苏州市科技计划资助项目(SS201854) 丽水市重点研发计划资助项目(2019ZDYF17) 泉城5150人才计划资助项目 济南创新团队资助项目(2018GXRC017) 江苏省医疗器械联合资金资助项目(SYC2020002) 

主　　题：半监督学习 自训练 3D UNet 注意力模块 全连接条件随机场 

摘      要：针对分割神经网络需要大量的高质量标签但较难获取的问题,提出基于3D scSE-UNet的半监督学习分割方法.该方法使用自训练的半监督学习框架,将包含改进的并行空间/特征通道压缩和激励模块(scSE-block+)的3D scSE-UNet作为分割网络.scSE-block+可以从图像空间和特征通道2个方面自动学习图像的有效特征,抑制无用冗余特征,更好地保留图像边缘信息.在自训练过程中加入全连接条件随机场,对分割网络产生的伪标签进行边缘细化,提升伪标签的精确度.在LiTS17 Challenge和SLIVER07数据集上验证所提出方法的有效性.当有标签图像占训练集总图像的30%时,所提方法的Dice相似系数(dice score)为0.941.结果表明,所提出的半监督学习分割方法可以在仅使用少量标注数据的情况下,取得与全监督分割方法相当的分割效果,有效减轻肝脏CT图像分割对专家标注数据的依赖.