一种基于混合监督的师生框架用于半监督医学图像分割

基于全监督卷积网络的标准医学图像分割需要准确的稠密标注。此类学习框架建立在费力的人工标注及对专业知识的严格需求之上，导致高质量标签不足。为克服该限制并利用海量弱标注数据，我们放宽了严格的标注要求，并开发了一种基于师生模式的半监督学习框架，用于器官和病灶分割，其采用部分稠密标注监督与更易获取的补充松散边界框监督。观察到多数情况下器官与其内部病灶的几何关系，我们在教师分割器中提出一种层级化器官到病灶（O2L）注意力模块以生成伪标签。随后学生分割器以人工标注与伪标注的组合进行训练。我们进一步提出了一种通过深层解码器中高层特征聚合实现的定位分支，以预测器官和病灶的位置，从而为学生分割器丰富精确的定位信息。我们在 LiTS 挑战数据集上通过消融实验验证了模型中的各项设计，并显示出相较于近期方法的 SOTA 性能。我们表明我们的模型对边界框质量具有鲁棒性，并取得了与全监督学习方法相当的性能。