COSST：利用综合监督和自我训练进行部分标记数据集的多器官分割

Apr, 2023

COSST：利用综合监督和自我训练进行部分标记数据集的多器官分割

COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training

Han Liu, Zhoubing Xu, Riqiang Gao, Hao Li, Jianing Wang...

TL;DR本文提出了一种名为 COSST 的新型训练框架，通过自我训练有效而高效地集成多种监管信号，并通过潜在空间的异常检测来减轻伪标签的性能下降，进而在各种分割任务中实现了显着的性能改进。

Abstract

deep learning models have demonstrated remarkable success in multi-organ segmentation but typically require large-scale datasets with all organs of interest annotated. However, medical image datasets are often low in sample size and only partially labeled, i.e., only a subset of organs

deep learning multi-organ segmentation partially labeled datasets unified model self-training

发现论文，激发创造

多器官自监督对比学习用于乳腺病变分割

利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

Feb, 2024

基于深度多平面协同训练的半监督多器官分割

本文提出了一种深度多平面协同训练（DMPCT）模型，以实现半监督医学图像分割问题。实验结果表明，DMPCT 显著优于全监督方法，特别是在使用少量注释时。

Apr, 2018

少脏器数据集下共训练加权平均模型的多器官分割

本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

Aug, 2020

医学图像半监督分割中的变换一致自组织模型

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

自适应、自洽的自训练方法用于半监督图像分割

本文提出了一种半监督图像分割的改进方法，采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence（JSD）损失函数，通过在在训练的不同迭代中强制模型的预测结果始终保持一致性，获得了在少量已标注数据情况下取得了比标准协同训练基线方法和最新半监督分割方法更好的性能表现。

Oct, 2020

具有交叉伪监督的半监督语义分割

本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和 PASCAL VOC 2012 上，我们的方法实现了半监督分割性能的最新水平。

Jun, 2021

基于交叉伪标签的半监督医学图像分割方法：加强和弱数据增强策略

通过数据增强和伪标签生成、筛选和改进过程的适当强调，本研究基于半监督模型 DFCPS 提出了新颖的交叉伪监督概念，将一致性学习与自训练相结合，充分利用了伪标签的多个角度，从而提高了训练多样性和模型性能。

Feb, 2024

UniMOS: 一种用于标签约束数据集的多器官分割的通用框架

UniMOS 是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架，其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出色，同时显著提高了数据利用率并降低了标注成本。

Nov, 2023

利用固定和动态伪标签进行半监督医学图像分割

利用多个伪标签进行半监督医学图像分割，可以提高模型性能和泛化能力。验证结果显示，这种新方法在几个医学图像数据集上的表现明显优于现有方法。

May, 2024

腹部 CT 中快速、低资源和准确的器官与全癌肿瘤分割的两阶段混合监督框架

提出了一种混合有导师的框架（StMt），通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略，以最大程度地提高分割准确性，并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明，我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%，平均运行时间为 11.25 秒，GPU 内存 - 时间曲线下的面积为 9627.82MB。

Sep, 2023