一种综合数据集训练分割模型的综合模型
内容提要
该文综述医学图像分割中应对标注不足、不完整及多标注者歧义的方法，包括稀疏标注、半监督与集成学习、生成对抗网络、贝叶斯卷积网络等，并介绍利用伪标签构建全身CT多解剖分割数据集及统一模型，在腹部器官等任务上取得优异性能。
延伸解读
标注不足的应对策略
医学图像分割常面临标注数据有限或不完美的问题。文章综述了利用稀疏标注、半监督学习、生成对抗网络和贝叶斯卷积网络等方法，以降低对大量高质量标注的依赖。这些方法旨在从现有数据中挖掘更多信息，或处理多标注者之间的歧义，从而提升模型在标注不足场景下的性能。
多数据集与类别层次整合
针对多个相关但不相同类别集的数据集，文章提出利用粗到细的类别层次结构和互斥类别来训练实例分割与分类模型。这种方法能改善分类性能和泛化能力，且适用于各种损失函数和网络架构，为整合碎片化医学数据提供了可行方案。
全身CT分割数据集与统一模型
文章介绍了通过nnU-Net伪标签和解剖导向细化，构建了包含142个体素级标签的全身CT数据集，覆盖533个体积，并获专家批准。基于该数据集训练的统一模型在腹部器官等任务上表现优异，在BTCV基准上未使用其训练数据即达到85%的Dice分数，展示了伪标签整合的潜力。
Q&A
医学图像分割中标注不足和不完整的问题有哪些解决方法？
文章提到的方法包括：利用稀疏标注或局部标注进行分割；使用半监督学习框架（如MONA）结合强数据增强和最近邻方法处理数据不平衡和内部差异；采用生成对抗网络结合带标签和未标签数据；以及使用集成学习框架结合2D和3D模型。
如何处理多标注者之间的标注歧义？
文章提出利用贝叶斯卷积网络来处理不同标注者之间的矛盾标注，以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。
如何利用伪标签构建全身CT多解剖分割数据集？
通过基于nnU-Net的伪标签和解剖导向的伪标签细化的顺序过程，结合碎片化知识库，生成了包含142个体素级标签对533个体积进行全面解剖覆盖的全身CT扫描数据集，且不依赖手动注释。
统一解剖分割模型在全身CT数据集上的性能如何？
该模型能够对CT数据上的142种解剖结构进行预测，在BTCV数据集上进行的基准测试中，在不使用其训练数据集的情况下实现了85%的Dice分数，并经过人类专家评估和医学有效性检查。
MONA半监督学习框架有什么特点？
MONA是一个针对医学图像分割的半监督学习框架，通过使用更强的数据增强和最近邻等方法，有效处理数据不平衡和内部差异，并能在无监督情况下将医学图像分解为一组解剖特征，在不同的标签半监督设置下取得了新的最优性能。
集成学习框架如何提升医学图像分割性能？
该集成学习框架结合了2D和3D模型的优点，通过全卷积网络基于元学习器来提高2D和3D模型的结果，在完全监督、半监督和转导设置下，相对于最先进的图像分割方法取得了优越的性能。
