用于半监督左心房 MRI 分割的竞争集成师生框架
计算机视觉与模式识别
2023-10-24 v1
摘要
半监督学习已极大推动了医学图像分割的发展，因为它有效缓解了对专家大量标注的需求，并利用了更易获取的未标记数据。在现有的扰动一致性学习方法中，均值教师模型作为半监督医学图像分割的标准基线。本文提出了一种简单而高效的竞争集成师生框架，用于从 3D MR 图像中进行半监督左心房分割，其中引入了两个具有不同任务级扰动的学生模型进行互学，同时执行竞争集成策略将更可靠的信息集成到教师模型中。与师生模型间的单向传递不同，我们的框架促进了不同学生模型在教师模型指导下的协作学习过程，并激励不同训练网络进行竞争学习与集成过程以取得更好性能。我们在公开左心房（LA）数据集上评估了所提方法，该方法通过有效利用未标记数据获得了显著的性能提升，并优于几种现有的半监督方法。
引用
@article{arxiv.2310.13955,
title = {Competitive Ensembling Teacher-Student Framework for Semi-Supervised Left Atrium MRI Segmentation},
author = {Yuyan Shi and Yichi Zhang and Shasha Wang},
journal= {arXiv preprint arXiv:2310.13955},
year = {2023}
}
备注
Accepeted for BIBM 2023