17 天前

CauSSL:基于因果启发的半监督医学图像分割

{Pheng-Ann Heng, Hao Wei, Furui Liu, Cheng Chen, Juzheng Miao}
CauSSL:基于因果启发的半监督医学图像分割
摘要

半监督学习(Semi-Supervised Learning, SSL)近年来在医学图像分割任务中取得了显著进展,能够在标注数据有限的情况下大幅提升数据利用效率。然而,尽管其在实践中展现出良好的性能,现有文献对其理论基础和内在机制仍存在诸多疑虑。为深入探究这一问题,本研究首次提出一种新颖的因果图模型,旨在为当前主流的半监督分割方法提供坚实的理论支撑。该因果图引入了两个此前研究中被忽视的中间变量,从而更准确地刻画了数据生成过程中的因果关系。基于所提出的因果图,我们进一步在协同训练(co-training)框架之上,设计了一种受因果启发的半监督学习方法——CauSSL,以提升医学图像分割中的半监督学习性能。具体而言,我们首先指出在半监督学习中,两个网络或分支之间算法独立性的重要性,这一关键性质在以往研究中常被忽略。随后,我们提出一种新颖的统计度量方法,用于量化原本难以计算的算法独立性,并通过最小-最大优化策略进一步增强该独立性。所提出的CauSSL方法具有良好的可扩展性,可灵活集成到多种现有的半监督学习框架中,以提升其性能。我们在三个具有挑战性的医学图像分割任务上进行了实验,采用二维(2D)与三维(3D)网络架构进行验证,结果表明,CauSSL在各项指标上均持续优于当前最先进的方法。相关代码已公开发布于:https://github.com/JuzhengMiao/CauSSL。

CauSSL:基于因果启发的半监督医学图像分割 | 最新论文 | HyperAI超神经