AstMatch：基于对抗自训练一致性框架的半监督医学图像分割
图像与视频处理
2024-07-01 v1 计算机视觉与模式识别
摘要
半监督学习（SSL）在医学图像分割中展现出巨大的潜力，主要依赖一致性正则化和伪标签。然而，许多 SSL 方法仅关注低层一致性，忽视了伪标签可靠性的重要性。为此，本文提出一种对抗自训练一致性框架（AstMatch）。首先，我们设计了对抗一致性正则化（ACR）方法以增强知识传递并强化在不同扰动强度下的预测一致性。其次，我们应用特征匹配损失进行对抗训练以纳入高层一致性正则化。此外，我们提出金字塔通道注意力（PCA）和高效通道与空间注意力（ECSA）模块以提高判别器性能。最后，我们提出自适应自训练（AST）方法以确保伪标签的质量。在三个公开数据集上进行广泛评估表明，AstMatch 在不同标注比例下均优于其他最新方法，实现了新的状态突破性能。我们的代码将在 https://github.com/GuanghaoZhu663/AstMatch 上提供。
引用
@article{arxiv.2406.19649,
title = {AstMatch: Adversarial Self-training Consistency Framework for Semi-Supervised Medical Image Segmentation},
author = {Guanghao Zhu and Jing Zhang and Juanxiu Liu and Xiaohui Du and Ruqian Hao and Yong Liu and Lin Liu},
journal= {arXiv preprint arXiv:2406.19649},
year = {2024}
}