SSL4MIS:医学图像半监督分割的Baselines

本文转载自知乎,已获作者授权转载。

链接:https://zhuanlan.zhihu.com/p/277425371

01

引文

先放链接,极速尝试SSL4MIS

https://github.com/HiLab-git/SSL4MIS

近年来,CNN在医学图像分割领域取得了统治级的地位,nnUNet及其各种魔改版本几乎霸占了各大比赛的leaderboard,但大多医学图像分割任务一直因为标注数量太少而饱受诟病。

目前大多研究集中于调整网络结构等方面(加各种attention,各种feature fusion),希望在有限的数据上拟合出更加性能强悍的模型,而较少的去利用未标注数据来训练更加鲁棒和泛化性更好的模型(在临床场景下海量的未标注原始数据被保留在数据中心中,医生没有时间和精力对其大规模标注,只有少量数据会被标注用于临床或算法研究)。

如何缓解标注图像数量太少,未标注数量太多和有效利用未标注的原始数据等问题,已然成为了医学图像分割发展的主要矛盾。

近两年来,尤其是今年,这个问题被越来越多的研究者所注意,据不完全统计MICCAI2020有十来篇文章致力于解决这样的问题。

在阅读这些文章的过程中发现:不同的文章有不同的实验设置,不同的数据集,对比了不同的方法,得出了不同的结论,因此建立基准数据集和算法库方便大家快速开发和验证算法,避免重复造轮子和浪费大量的时间去复现已有算法变得越发重要。

针对这样一些问题,我们尝试基于一些医学图像比赛的公开数据集搭建一个平台方便大家去开展自己的研究。

目前我们基于UNet (Efficient-UNet)和3D-UNet等常用网络结构,ACDC,BraTS等开源数据集,Mean Teacher【1】、Entropy Minimization【2】、Deep Adversarial Networks【3】、Uncertainty Aware Mean Teacher【4】、Interpolation Consistency Training【5】 等公开半监督算法搭建了一个简单的半监督医学图像分割的baseline。具体内容如下:

02

论文总结

SSL4MIS:医学图像半监督分割的Baselines_第1张图片

我们在这个repo中总结了最新的半监督医学图像分割算法,及其代码,方便大家追踪和快速尝试。此外,该项目也会持续更新,及时的将最新的算法添加在该列表中。

03

常用半监督算法实现

SSL4MIS:医学图像半监督分割的Baselines_第2张图片

我们通过阅读一些最新的论文发现,现有的最新研究方法都喜欢和这些经典算法做一个对比,为了方便后续研究者的持续研究,在这个repo中我们也实现/整理了这些算法,可以直接训练测试和评价。

04

快速上手

为了方便大家快速上手,我们提供了开箱即用的例子(2D和3D),只需要从我们提供的百度云盘中下载我们处理好的数据,就可以快速进行算法训练和测试,也可以根据自己的需求进行修改和重构。

SSL4MIS:医学图像半监督分割的Baselines_第3张图片 2D demo,以ACDC为例
SSL4MIS:医学图像半监督分割的Baselines_第4张图片 3D demo,以BraTS2019 Whole Tumor分割为例

05

总结

我们希望能在未来提供更多有用的算法(未来两三个月争取实现十种左右开箱即用的算法)和更多数据集的示例,并提供我们训练好的pre-trained models和测试结果,努力将这个项目搭建成医学图像半监督分割的benchmark,为更多的研究者通过方便,也希望大家能去尝试并指出存在的问题、给予我们反馈、和提供宝贵的意见和建议。

(1)所有相关论文、数据集请参考以下链接【6】

(2)感谢各位开源代码的作者[Mean Teacher、Entropy Minimization、Uncertainty Aware Mean Teacher、Interpolation Consistency Training]

在这里我主要是起到了搬运工和小裁缝的作用,感谢大家!

Reference

【1】Mean Teacher:https://papers.nips.cc/paper/2017/file/68053af2923e00204c3ca7c6a3150cf7-Paper.pdf

【2】Entropy Minimization:https://openaccess.thecvf.com/content_CVPR_2019/papers/Vu_ADVENT_Adversarial_Entropy_Minimization_for_Domain_Adaptation_in_Semantic_Segmentation_CVPR_2019_paper.pdf

【3】Deep Adversarial Networks:https://link.springer.com/chapter/10.1007/978-3-319-66179-7_47

【4】Uncertainty Aware Mean Teacher:https://arxiv.org/pdf/1907.07034.pdf

【5】Interpolation Consistency Training:

https://arxiv.org/pdf/1903.03825.pdf

【6】SSL4MIS:https://github.com/HiLab-git/SSL4MIS

END

备注:医学影像

医学影像处理识别交流群

医学影像CT、MRI、X光处理、分类、检测、分割等技术,

若已为CV君其他账号好友请直接私信。

我爱计算机视觉

微信号:aicvml

QQ群:805388940

微博知乎:@我爱计算机视觉

投稿:[email protected]

网站:www.52cv.net

在看,让更多人看到  

你可能感兴趣的:(算法,人工智能,机器学习,计算机视觉,深度学习)