ISBI 2023论文集：https://ieeexplore.ieee.org/xpl/conhome/10230311/proceeding
[link] Leveraging Inter-Annotator Disagreement for Semi-Supervised Segmentation
生物医学图像的信噪比通常较低，这往往导致专家们对GT分割存在分歧。现有的多重标注方法试图解决相互冲突的标注，而我们则专注于有效利用存在分歧的像素来估计数据中不确定性较高的区域，并利用这些信息进行半监督分割。我们提出从一个单独网络的输出中识别不可靠的伪标签，该网络经过训练，可根据不同注释者的冲突注释预测数据中的不确定性。与其他不确定性估计技术（如 MC-Dropout 或集合方法）相比，我们的方法有两个关键优势：其估计值直接来源于数据；计算效率更高。我们使用两个公共数据集展示了我们方法的有效性。
[link] Semi-Supervised Pulmonary Airway Segmentation with Two-Stage Feature Specialization Mechanism
肺气道分割在肺部疾病的诊断和治疗中发挥着重要作用。近来，深度学习分割方法通过捕捉气道树中更丰富的复杂特征，超越了传统方法，这依赖于大量的标签集，而标签集在实际中很难获得。半监督方法大大降低了对标签的要求，但却难以处理气道树结构的复杂性，尤其是细支气管。我们提出了一种新颖的两阶段特征特化机制（TFSM），以半监督的方式学习气道树，显著提高了分割质量。综合实验结果表明，所提出的 TFSM 方法只需使用 20% 的标注 CT 图像，就能将半监督基线的骰子得分提高 10%，与全监督方法相比仍具有竞争力。
[link] A Semi-Supervised Learning Approach for B-Line Detection in Lung Ultrasound Images
研究证明，肺部超声图像中 B 线的数量与血管外肺水的数量有很强的统计学联系，这对血液透析治疗意义重大。人工检测 B 线需要专家，耗时较长，而设计自动方法目前又因缺乏基本事实而存在问题。因此，本文针对 B 线检测任务提出了一种基于对比学习的新型半监督学习方法。通过对无标签的肺部超声图像进行多层次无监督学习，可以学习到假象的特征。在下游任务中，我们使用基于 EIoU 的损失函数，在少量标记图像上引入微调过程。与基于模型的方法相比，除了减少数据标注工作量外，所提出的方法还显示出更优越的性能，召回率为 91.43%，准确率为 84.21%，F1得分为 91.43%。
[link] Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation
容积磁共振（MR）图像分割在许多临床应用中发挥着重要作用。深度学习（DL）最近在各种图像分割任务上取得了最先进甚至人类水平的性能。然而，为 DL 模型训练手动标注容积 MR 图像既费力又费时。在这项工作中，我们的目标是在使用极度稀疏注释的情况下，为前列腺三维磁共振图像分割训练一个半监督和自监督协作学习框架。具体来说，半监督学习和自我监督学习方法用于生成两组独立的伪标签。然后通过布尔运算将这些伪标签融合在一起，提取出更可靠的伪标签集。然后，使用人工或网络自生成标签的图像来训练目标体积提取的分割模型。在一个公开的前列腺 MR 图像数据集上的实验结果表明，我们的框架在大大减少标注工作量的同时，还产生了非常令人鼓舞的分割结果。当难以获得具有密集注释的训练数据时，所提出的框架在临床应用中非常有用。
[link] EVIL: Evidential Inference Learning for Trustworthy Semi-Supervised Medical Image Segmentation
最近，不确定性感知方法在半监督医学影像分割领域受到越来越多的关注。然而，目前的方法通常存在一个缺点，即很难在一个统一的框架内平衡计算成本、估计精度和理论支持。为了缓解这一问题，我们将 Dempster-Shafer 证据理论（DST）引入了半监督医学影像分割，并称之为 EVIL（EVidential Inference Learning）。EVIL 提供了一种理论上有保证的解决方案，可在一次前向传递中推断出准确的不确定性量化。在不确定性估计之后，会在未标记数据上生成可信的伪标签。我们的框架采用了最近提出的基于一致性正则化的训练范式，该范式可强制确保扰动预测的一致性，从而在标注数据较少的情况下提高泛化能力。实验结果表明，在公共数据集上，EVIL 与几种最先进的方法相比取得了极具竞争力的性能。
[link] Leveraging Hard Positives for Contrastive Learning in Semi-Supervised Medical Image Segmentation
半监督学习（SSL）一直是解决图像分割中注释稀缺问题的常用技术。最近，鼓励类内紧凑和类间分散的对比学习（CL）在帮助 SSL 学习判别特征方面显示出巨大的潜力。然而，虚构对比学习往往侧重于负样本，而忽略了那些硬阳性样本（即相对于锚点，样本具有不同的特征表征），而这些样本也能提供判别知识。在本文中，我们建议在 SSL 中注入面向硬阳性的对比（HPC）学习，并为医学图像分割提出了一个有效的三阶段框架。具体来说，第一阶段和第二阶段通过两级 HPC 学习，包括无监督图像级 HPC（IHPC）学习和有监督像素级 HPC（PHPC）学习，对编码器-解码器架构进行预训练。值得注意的是，PHPC 损失是以基于区域的方式实现的，因此该模型能够以较少的内存消耗同时捕捉全局上下文和局部语义信息。在第三阶段，预先训练好的架构被调整为半监督分割框架。在两个公共数据集上的实验证明，我们提出的方法超越了最先进的方法。
[link] Semi-Supervised Surgical Video Semantic Segmentation with Cross Supervision of Inter-Frame
准确的手术视频语义分割对计算机辅助手术至关重要。由于很难从医生或研究人员那里获得像素级的分割标签，半监督算法可以生成伪标签来解决标签缺乏的问题。然而，大多数算法都将视频视为独立图像，无法解决复杂手术场景造成的一些问题，如器械模糊等。本文提出了一种新颖的帧间交叉监督（CSI）方法，利用手术视频中的帧间信息对语义分割进行交叉监督。具体来说，我们设计了帧间信息转换（I2T）模块，在连续帧之间相互传递具有类原型的特征。此外，对于有标签的帧，我们利用地面实况来监督帧间特征；对于无标签的帧，我们提出了交叉伪损失和像素对比损失作为约束条件。我们在一个公开的白内障手术数据集上进行了大量实验，证明我们的 CSI 方法在考虑帧间信息后提高了分割精度。
[link] Spatial Distribution-Based Pseudo Labeling for Pathological Image Segmentation
本文提出了一种半监督病理图像分割方法，该方法能利用大量未标记数据改进分割效果。典型的伪标签方法根据每个补丁的置信度，从未标明的数据中选择伪标签用于再训练。然而，初始估计并不准确，因此伪标签中包含许多不准确的标签。这可能会影响分割性能。本研究的亮点在于，我们通过在整张幻灯片图像中引入空间分布模型来避免选择不正确的伪标签。该模型基于肿瘤区域在组织中形成一个群集的假设。这改进了伪标签选择和分割性能。实验结果证明了我们方法的有效性，我们的方法在比较中取得了最佳的分割性能。
[link] Semi-supervised Anatomy Tracking with Contrastive Representation Learning in Ultrasound Sequences
解剖追踪在实时 US 图像解读中发挥着至关重要的作用。然而，低质量的 US 图像给这项任务带来了挑战。要获得可接受的性能，往往需要大量的人工标记。在这项工作中，我们提出了一种半监督 US 解剖跟踪方法 (SSAT-US)，对每个 US 序列进行最少监督。首先应用自监督对比学习（SSCL）和特定于 US 的数据扩增来预热具有区分性的斑块特征表示。为了充分利用未标记数据，我们提出了一个置信度感知伪标记模块，为半监督训练选择可靠的训练对。对不同解剖结构的临床和公共数据集进行了评估。结果表明，SSAT-US 可以达到 0.832 (EAO)、0.000 (Rob)、0.812 (Acc) 的精确跟踪性能，并能以 0.472 (EAO)、0.329 (Rob)、0.789 (Acc) 普适到具有挑战性的未见数据集，这表明我们的方法可以在 US 序列中进行精确、稳健的解剖学实时跟踪。
[link] Semi-BGSegNet: A Semi-Supervised Boundary-Guided Breast Tumor Segmentation Network
通过分割可以对乳腺病灶进行定位和可视化，因此对精确诊断、预后和治疗至关重要。然而，磁共振成像（MRI）的精确分割面临以下挑战： 1) 多尺度乳腺肿瘤，尺寸范围大；2) 运动伪影导致图像质量下降；3) 肿瘤边界模糊，尤其是恶性肿瘤；4) 标记的 MR 图像有限。为了应对这些挑战，我们提出了一种针对乳腺肿瘤的半监督边界引导分割网络（Semi-BGSegNet）。具体来说，我们首先构建了一个边界引导基线分割网络（BGSegNet），将多尺度和注意力模块集成到编码器-解码器架构中。然后，我们开发了一种轻量级像素级判别器，用于从标签中判别预测结果。实验证明，与其他监督和半监督方法相比，我们的模型非常有效。
[link] cRedAnno+: Annotation Exploitation In Self-Explanatory Lung Nodule Diagnosis
最近，有人尝试降低基于特征的肺结节诊断自解释模型的注释要求。作为其中的代表，cRedAnno 通过引入自监督对比学习来进行无监督特征提取，在大大降低注释需求的同时实现了有竞争力的性能。然而，它在注释稀缺的条件下表现出不稳定的性能。为了提高 cRedAnno 的准确性和鲁棒性，我们提出了一种注释利用机制，通过在所学的语义推理空间中进行稀疏播种和训练淬火的半监督主动学习，来联合利用提取的特征、注释和无标签数据。所提出的方法在注释量减少 10 倍的情况下实现了相当甚至更高的恶性肿瘤预测准确率，同时在注释量为 1%的条件下表现出更好的鲁棒性和结节属性预测准确率。