面向半监督医学图像分割的交替多样教学
计算机视觉与模式识别
2024-07-15 v2
摘要
半监督医学图像分割研究在利用有限标注数据训练模型方面已展现出前景。然而，当前主流的基于教师-学生的方法可能遭受确认偏差的困扰。为应对这一挑战，我们提出 AD-MT，一种教师-学生框架中的交替多样教学方法。它包含一个单一学生模型和两个不可训练的教师模型，这些教师模型以交替方式周期性且随机地进行动量更新。为缓解来自多样监督的确认偏差，AD-MT 的核心在于两个所提出的模块：随机周期交替（RPA）更新模块与冲突对抗模块（CCM）。RPA 通过互补数据批次、不同数据增强和随机切换周期来调度交替多样更新过程，以鼓励来自不同教学视角的多样推理。CCM 采用基于熵的集成策略，鼓励模型从教师间一致与冲突的预测中共同学习。实验结果证明了我们的 AD-MT 在 2D 和 3D 医学分割基准上跨多种半监督设置的有效性与优越性。
引用
@article{arxiv.2311.17325,
title = {Alternate Diverse Teaching for Semi-supervised Medical Image Segmentation},
author = {Zhen Zhao and Zicheng Wang and Longyue Wang and Dian Yu and Yixuan Yuan and Luping Zhou},
journal= {arXiv preprint arXiv:2311.17325},
year = {2024}
}
备注
code:https://github.com/ZhenZHAO/AD-MT, accepted by ECCV 2024