基于切换双学生框架的自适应医学图像分割知识迁移

教师-学生框架已成为半监督医学图像分割的领导方法，在各种任务中均显示出强大的性能。然而，这些方法的学习效果仍受限于教师和学生网络之间的强关联和不可靠的知识传递过程。为克服这一限制，我们引入一种新颖的切换双学生架构，战略性地在每个迭代中选择最可靠的学生以增强双学生合作并防止错误强化。我们还引入了基于损失的指数移动平均策略，以动态确保教师从学生那里吸收有意义的信息，从而提高伪标签的质量。该即插即用框架在广泛的 3D 医学图像分割数据集上进行了大量评估，表现优于半监督方法的最新水平，显示其在受限监督条件下提高分割精度的有效性。