基于高置信度伪标签协同训练的自监督医学图像分割
计算机视觉与模式识别
2023-05-29 v3
摘要
基于一致性正则化和伪标签的半监督方法利用多视角输入的伪标签进行协同训练。然而，此类协同训练模型往往过早收敛至一致意见，退化为自训练模型，并在训练期间从受扰动输入产生低置信度伪标签。为解决这些问题，我们提出了一种不确定性引导的协作均值教师（UCMT）方法，用于具有高精度伪标签的半监督语义分割。具体而言，UCMT由两个主要组件构成：1）协作均值教师（CMT），用于鼓励模型分歧并在子网络间执行协同训练；2）不确定性引导区域混合（UMIX），用于根据CMT的不确定性图操纵输入图像，并促进CMT产生高置信度伪标签。结合UMIX与CMT的优势，UCMT能够保持模型分歧并提升协同训练分割中伪标签的质量。在包含2D和3D模态的四个公开医学图像数据集上的大量实验证明了UCMT优于当前最先进水平（SOTA）。代码见：https://github.com/Senyh/UCMT。
引用
@article{arxiv.2301.04465,
title = {Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation},
author = {Zhiqiang Shen and Peng Cao and Hua Yang and Xiaoli Liu and Jinzhu Yang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2301.04465},
year = {2023}
}