22、医学图像分割质量控制与半监督学习方法研究

医学图像分割质量控制与半监督学习方法研究

在医学图像领域，准确的分割和高效的学习方法至关重要。本文将介绍两种先进的技术，一种是用于脑肿瘤分割质量控制的 QCResUNet，另一种是解决半监督医学图像分割挑战的 Meta - Learning for Bootstrapping Medical Image Segmentation（MLB - Seg）。

1. QCResUNet 用于分割质量控制

1.1 实验数据

本研究使用了 2021 年脑肿瘤分割（BraTS）挑战的术前多模态 MRI 扫描数据，包含不同等级的神经胶质瘤。每个受试者的数据有四种模态：对比前 T1 加权（T1）、T2 加权（T2）、对比后 T1 加权（T1c）和液体衰减反转恢复（FLAIR），还有专家标注的多类肿瘤分割掩码。所有数据都已注册到标准解剖图谱并进行了颅骨剥离，然后进行 z 评分处理，最后裁剪到非零值区域并零填充到 160 × 192 × 160 大小以输入网络。

1.2 数据生成

为了提供无偏的分割质量估计，采用了三步方法扩展初始数据集：
1. 使用 nnUNet 框架 ：分别使用不同模态（T1 单独、T1c 单独、T2 单独、FLAIR 单独和四种模态全部）训练 nnUNet 框架五次。由于每种模态只能捕捉特定组织类型，因此可以生成各种质量的分割结果。
2. 不同迭代采样 ：在训练过程的不同迭代中采样分割结果，选择小学习率（1×10⁻⁶）来减缓模型收敛，以便从低质量到高质量逐步采样分割结果。
3. SegGen 方法