6、医学图像分割的三视图特征学习

医学图像分割的三视图特征学习

在医学图像分割领域，为了提高分割的精度和效率，三视图特征学习的方法应运而生。下面将详细介绍这种方法的原理、训练设置、标签处理、损失函数以及实验结果。

方法概述

该方法的核心思想是同时在不同的模型中开发数据的多个（这里是三个）不同视图及其相关的学习参数。每个模型在学习过程中相互补充，它们处理的数据是精心划分的不相交子集。

伪标签在中间步骤重新生成，通过从两个独立的卷积神经网络（CNN）组件的输出中选择，来训练第三个组件。置信度估计与传统的不确定性感知方案不同，三视图框架通过选择各个组件模型具有高置信度并“投票”的伪标签来决定进一步传播哪些伪标签。低置信度的伪标签在后续步骤中不使用，且置信度的阈值会根据训练阶段动态调整，训练越深入，框架需要变得越自信，可用于训练的图像数量也会逐渐增加。

架构介绍

三视图特征学习医学图像语义分割网络（TriSegNet）的架构中，标签编辑（包括不自信标签检测和基于置信度估计的置信标签投票）提高了未标注数据的特征表达。特征学习的三个视图都利用随机数据扰动进行正则化。

使用预训练的 ResNet 作为低级特征学习模块，由三个高级特征学习像素级分类器 A、B 和 C 共享。A、B、C 基于编码器 - 解码器架构，为了传递足够的语义信息，它们充分建模长距离依赖关系、特征表达的变化大小、模型跳跃连接、绕过空间信息并处理多尺度特征图。这三个分类器不仅提取特征，还进行投票和生成伪标签，在半监督过程中相互受益。

训练设置

训练过程分为三个阶段和一个推理阶段：
1. 阶段 1：初始化 ：