摘要：在基于深度學(xué)習(xí)方法的醫(yī)學(xué)圖像分割任務(wù)中，通常需要大量的標(biāo)記數(shù)據(jù)。然而，獲得可靠的標(biāo)注是昂貴且耗時(shí)的。為此，提出了一種新的框架，采用具有形狀約束和不確定性估計(jì)的雙一致性正則化半監(jiān)督方法，用于3D醫(yī)學(xué)圖像分割。首先，引入了一種基于學(xué)習(xí)目標(biāo)區(qū)域的形狀約束，通過(guò)聯(lián)合學(xué)習(xí)兩個(gè)網(wǎng)絡(luò)的輸出，加強(qiáng)幾何形狀約束，從而學(xué)習(xí)更可靠的信息。其次，設(shè)計(jì)了一種分割網(wǎng)絡(luò)，以生成不同尺度的特征圖，并引入了多尺度一致性損失來(lái)增強(qiáng)其穩(wěn)定性。然而，由于這些特征圖的空間分辨率不同，直接在每個(gè)像素上強(qiáng)制一致性可能導(dǎo)致不可靠的結(jié)果和信息丟失。因此，進(jìn)一步提出了一種基于不確定性估計(jì)的多尺度一致性學(xué)習(xí)，以連步學(xué)習(xí)有意義和可靠的特征區(qū)域，并增強(qiáng)模型的魯棒性。實(shí)驗(yàn)結(jié)果表明，由于強(qiáng)大的無(wú)標(biāo)記數(shù)據(jù)的知識(shí)挖掘能力，本文所提出的方法優(yōu)于流行的半監(jiān)督醫(yī)學(xué)圖像分割方法。

關(guān)鍵詞：3D醫(yī)學(xué)圖像分割；半監(jiān)督學(xué)習(xí)；形狀約束；不確定性估計(jì)

中圖分類號(hào)：TP3 文獻(xiàn)標(biāo)識(shí)碼：A

在醫(yī)學(xué)實(shí)踐中，精準(zhǔn)自動(dòng)地分割解剖結(jié)構(gòu)或病變對(duì)于圖像引導(dǎo)干預(yù)、放射治療、計(jì)算機(jī)輔助診斷等非常關(guān)鍵。隨著深度學(xué)習(xí)的發(fā)展，許多圖像分割方法已被證明在促進(jìn)醫(yī)學(xué)圖像定量分析方面具有有效性。然而，這些方法通常需要大量高質(zhì)量標(biāo)注數(shù)據(jù)才能以全監(jiān)督方式進(jìn)行設(shè)計(jì)。手動(dòng)標(biāo)注大量醫(yī)學(xué)圖像是昂貴和耗時(shí)的，尤其是對(duì)于三維圖像，如CT和MRI掃描等。因此，開(kāi)發(fā)半監(jiān)督分割技術(shù)來(lái)減少對(duì)精細(xì)標(biāo)記數(shù)據(jù)的依賴是必要的。

在醫(yī)學(xué)圖像分割領(lǐng)域，近年來(lái)出現(xiàn)了許多半監(jiān)督方法，旨在通過(guò)利用無(wú)標(biāo)記數(shù)據(jù)中的信息來(lái)提高分割性能。雖然這些方法已經(jīng)取得了不錯(cuò)的效果，但仍然面臨以下兩個(gè)主要挑戰(zhàn)；

（1）在訓(xùn)練具有大量參數(shù)和復(fù)雜結(jié)構(gòu)的3D卷積神經(jīng)網(wǎng)絡(luò)時(shí)，由于只使用少量標(biāo)記數(shù)據(jù)和大量無(wú)標(biāo)記數(shù)據(jù)，因此難以充分利用從無(wú)標(biāo)記數(shù)據(jù)中提取的目標(biāo)區(qū)域幾何約束。此外，缺乏對(duì)邊界距離信息的明確建模，通常會(huì)導(dǎo)致目標(biāo)邊界較為模糊或孤立的小目標(biāo)區(qū)域不完整。

（2）現(xiàn)有的一些半監(jiān)督方法可以利用模型置信度來(lái)提高訓(xùn)練穩(wěn)定性并實(shí)現(xiàn)更好的結(jié)果，但大多數(shù)方法需要通過(guò)蒙特卡羅采樣來(lái)估計(jì)每個(gè)目標(biāo)預(yù)測(cè)的不確定性，這意味著需要進(jìn)行多次前向傳遞才能在每次迭代中獲得不確定性，因此計(jì)算成本較高。

為了解決上述問(wèn)題，提出了一種新的框架，采用具有形狀約束和不確定性估計(jì)的雙一致性正則化方法。該框架可以表示為兩個(gè)單獨(dú)網(wǎng)絡(luò)的集成，它們具有相同的編碼器和不同的解碼器，并且利用分割網(wǎng)絡(luò)的多尺度預(yù)測(cè)來(lái)捕捉不確定性。本文的主要貢獻(xiàn)如下：

（1）建立分割模型和回歸模型之間的一致性，通過(guò)聯(lián)合學(xué)習(xí)兩個(gè)模型的輸出結(jié)果使網(wǎng)絡(luò)能夠同時(shí)考慮到形狀約束和邊界信息，從而準(zhǔn)確地預(yù)測(cè)目標(biāo)的形狀表示，并利用未標(biāo)記數(shù)據(jù)的邊界信息，增強(qiáng)網(wǎng)絡(luò)對(duì)目標(biāo)在低維空間中形狀表示能力的預(yù)測(cè)。

（2）設(shè)計(jì)分割模型生成多尺度預(yù)測(cè)，并通過(guò)比較這些預(yù)測(cè)之間的差異來(lái)估計(jì)感知不確定性。相較于蒙特卡羅采樣估計(jì)不確定性的方法，本文方法只需要進(jìn)行一次前向傳遞，降低了計(jì)算成本。利用這種估計(jì)的不確定性作為指導(dǎo)，模型可以自動(dòng)強(qiáng)調(diào)可靠預(yù)測(cè)（即低不確定性）并減弱不可靠預(yù)測(cè)（即高不確定性），以實(shí)現(xiàn)多尺度一致性。

（3）本文的方法在公共左心房數(shù)據(jù)集上進(jìn)行了廣泛評(píng)估，結(jié)果表明，通過(guò)充分利用未標(biāo)記數(shù)據(jù)和標(biāo)記數(shù)據(jù)，該方法在性能方面優(yōu)于現(xiàn)有半監(jiān)督方法。

1相關(guān)工作

1.1半監(jiān)督醫(yī)學(xué)圖像分割

半監(jiān)督學(xué)習(xí)方法的主要思路是利用未標(biāo)記數(shù)據(jù)來(lái)挖掘有效的隱藏信息，從而提高性能。它基于三個(gè)核心假設(shè)；平滑性假設(shè)、低密度假設(shè)和流形假設(shè)。其中，平滑性假設(shè)表明相似的輸入應(yīng)該產(chǎn)生相似的輸出；低密度假設(shè)表明同一類別的樣本在特征空間中往往形成一個(gè)聚類，而不同類別的決策邊界應(yīng)該只穿過(guò)特征空間中的低密度區(qū)域；流形假設(shè)表明位于同一低維流形上的樣本應(yīng)該屬于同一類別。

根據(jù)這些核心假設(shè)，現(xiàn)有的半監(jiān)督醫(yī)學(xué)圖像分割方法可以分為兩類。第一類方法直接利用未標(biāo)記數(shù)據(jù)的偽標(biāo)簽來(lái)擴(kuò)大訓(xùn)練數(shù)據(jù)集。例如，Lee等使用完全監(jiān)督算法的預(yù)測(cè)結(jié)果來(lái)生成未標(biāo)記數(shù)據(jù)的偽標(biāo)簽。然而，簡(jiǎn)單的偽標(biāo)簽會(huì)在訓(xùn)練過(guò)程中引入大量的噪聲。為了解決這個(gè)問(wèn)題，Sohn等提出了一種閩值方法，只保留具有高置信度的預(yù)測(cè)結(jié)果，從而降低偽標(biāo)簽率。此外，Zheng等通過(guò)計(jì)算主輸出和輔助輸出之間的KL（Kullback-Leibler）偏差來(lái)估計(jì)模型預(yù)測(cè)的不確定性，并實(shí)現(xiàn)了自適應(yīng)閩值處理，進(jìn)一步提高偽標(biāo)簽的質(zhì)量。

第二類方法利用了輸入數(shù)據(jù)在不同擾動(dòng)下的一致性。例如，Yu等提出了一種基于不確定性感知的框架，該框架鼓勵(lì)在不同擾動(dòng)下的相同輸入產(chǎn)生一致的預(yù)測(cè)，從而有效地利用未標(biāo)記數(shù)據(jù)。Li等提出了一種形狀感知的半監(jiān)督分割策略，該策略利用豐富的未標(biāo)記數(shù)據(jù)，并對(duì)預(yù)測(cè)結(jié)果施加幾何約束。Luo等使用雙分支網(wǎng)絡(luò)來(lái)聯(lián)合預(yù)測(cè)像素級(jí)分割圖和目標(biāo)的幾何感知表示。Ouali等提出了一種具有多個(gè)輔助解碼器的分割模型，并鼓勵(lì)主解碼器和輔助解碼器所做預(yù)測(cè)的一致性。

1.2不確定性估計(jì)

在深度神經(jīng)網(wǎng)絡(luò)模型中，準(zhǔn)確估計(jì)不確定性是量化模型預(yù)測(cè)可靠性的重要手段。然而，通常無(wú)法獲取到“真實(shí)標(biāo)簽”的不確定性信息，因此不確定性估計(jì)仍然是一個(gè)具有挑戰(zhàn)性的任務(wù)。

目前已經(jīng)開(kāi)發(fā)出多種不確定性估計(jì)方法，尤其是在監(jiān)督學(xué)習(xí)領(lǐng)域。例如，基于貝葉斯不確定性建模的方法使用貝葉斯神經(jīng)網(wǎng)絡(luò)來(lái)計(jì)算參數(shù)的后驗(yàn)分布，從而對(duì)不確定性進(jìn)行估計(jì)。然而，精確計(jì)算貝葉斯推理是一項(xiàng)困難的任務(wù)，因此研究人員提出了幾個(gè)近似的變體，如使用蒙特卡羅采樣來(lái)估計(jì)每個(gè)目標(biāo)預(yù)測(cè)的感知不確定性。此外，不確定性校正也被廣泛采用，以提高模型的置信度。與目前僅校正基于不確定性的預(yù)測(cè)不同，本文引入了一致性正則化和不確定性估計(jì)的方法，旨在進(jìn)一步減輕半監(jiān)督學(xué)習(xí)中的噪聲影響，并提高模型在圖像外觀擾動(dòng)下的分割魯棒性。