方向梯度直方图与深度学习结合：一种用于医学图像语义分割的新型多任务深度网络

我们提出了一种新颖的深度多任务学习方法，用于医学图像分割。现有的多任务方法需要对主任务和辅助任务都提供真实标签注释。与此不同的是，我们提出以无监督的方式生成辅助任务的伪标签。为了生成这些伪标签，我们利用了方向梯度直方图（Histogram of Oriented Gradients, HOGs），这是一种广泛使用且强大的手工设计特征检测方法。结合主任务的真实语义分割掩码和辅助任务的伪标签，我们训练深度网络的参数，以最小化主任务和辅助任务的联合损失。我们在两个强大且广泛使用的语义分割网络——UNet和U2Net上应用了该方法，进行了多任务设置下的训练。为了验证我们的假设，我们在两个不同的医学图像分割数据集上进行了实验。从大量的定量和定性结果中，我们观察到该方法相比同类方法始终表现出更好的性能。此外，我们的方法在与MICCAI 2021大会同期举办的FetReg内窥镜视觉子挑战赛（Semantic Segmentation）中荣获冠军。