[论文解读] Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical Image Segmentation

Rushi Jiao, Yichi Zhang+3 more|arXiv (Cornell University)|Jul 28, 2022

Radiomics and Machine Learning in Medical Imaging被引用 20

一句话总结

对深度半监督学习在医学图像分割中的全面综述，详细介绍伪标签、无监督正则化和知识先验方法，并分析其局限性。

ABSTRACT

Medical image segmentation is a fundamental and critical step in many image-guided clinical approaches. Recent success of deep learning-based segmentation methods usually relies on a large amount of labeled data, which is particularly difficult and costly to obtain especially in the medical imaging domain where only experts can provide reliable and accurate annotations. Semi-supervised learning has emerged as an appealing strategy and been widely applied to medical image segmentation tasks to train deep models with limited annotations. In this paper, we present a comprehensive review of recently proposed semi-supervised learning methods for medical image segmentation and summarized both the technical novelties and empirical results. Furthermore, we analyze and discuss the limitations and several unsolved problems of existing approaches. We hope this review could inspire the research community to explore solutions for this challenge and further promote the developments in medical image segmentation field.

研究动机与目标

• 鉴于专家标注成本高昂，推动医学影像中高效注释的分割需求。
• 总结近期用于医学图像分割的深度半监督方法，并比较它们的技术创新点和实证结果。
• 分析当前半监督分割方法的局限性和未解决的问题，以指导未来研究。

提出的方法

• 回顾医学图像分割的三大核心半监督策略：伪标签、无监督正则化，以及基于知识先验的方法。
• 描述伪标签如何在线生成（带置信度感知和后处理）或通过标签传播来利用未标注数据。
• 概述无监督正则化技术，包括一致性学习、协同训练和熵最小化，涉及 mean-teacher 和 Pi/Temporal 集成等架构。
• 讨论输入和特征图层面的扰动，包括噪声、仿射变换、弹性形变、阴影扰动和 mix-up。
• 提出将分割与辅助任务（距离场、轮廓预测、重建）耦合以实现一致性的一阶段正则化方法。
• 总结一致性计算的变体（不确定性加权、多层级、注意力引导）及其对学习信号的影响。

实验结果

研究问题

• RQ1 在标注有限的情况下，哪些主要的半监督策略能够实现医学图像分割？
• RQ2 在对标签噪声和领域偏移的鲁棒性方面，伪标签和无监督正则化的比较如何？
• RQ3 哪些架构设计和扰动最能有效地利用未标注数据进行分割任务？
• RQ4 当前深度半监督医学图像分割的局限性和未解决问题是什么？

主要发现

• 本综述将方法归纳为伪标签、无监督正则化（一致性、协同训练、熵最小化）和知识先验方法。
• 伪标签的有效性依赖于高置信度的选择和后处理；标签传播可以缓解确认偏差。
• 基于一致性的方法（mean-teacher、Pi 模型、EMA）在精心选择的扰动和不确定性加权下，在二维/三维医学数据集上显示出强劲性能。
• 协同训练和多任务策略通过利用多视图或辅助任务（如形状或距离图预测）进一步提升鲁棒性。
• 无监督正则化面临如噪声敏感性和超参数调优等挑战，需要对扰动设计和损失函数形式进行细致设计。
• 综述强调局限性与未解问题，旨在推动注释高效的医学图像分割的未来研究。