基于部分标注数据集的血管内超声图像深度学习分割（英文）

由于各医学图像分割任务的差异性，通常在单独的数据集上进行神经网络的训练，而跨数据集的共享信息可提高各项任务的表现。本文旨在提出一种部分监督的语义分割方法在由两个数据集合并的部分标注数据集上进行血管内超声影像(IVUS)的冠脉结构分割，即：使用多标签语义分割来解决数据集标注不一致的问题，并提出了一种具有类再平衡策略的非对称双分支网络来提高分割性能。本文提出的方法取得了比全监督方法更好地分割性能；并且分割结果与参考标准在管腔面积(r=0.99;P<0.001)、中膜面积(r=0.99;P<0.001)和斑块负荷(r=0.95;P<0.001)也取得了强相关性及优秀的一致性；此外，本文方法有效地利用了标注不一致的部分标注数据集，缓解了IVUS影像分割中“数据饥饿”的问题。