面向半监督医学图像分割的交叉头互均值教学
计算机视觉与模式识别
2025-08-08 v2
摘要
半监督医学图像分割（SSMIS）通过利用有限标注数据与丰富未标注数据取得了实质性进展。然而，现有最优（SOTA）方法在准确预测未标注数据标签方面面临挑战，导致训练中产生破坏性噪声并易过拟合错误信息。此外，对不准确预测施加扰动进一步削弱了一致性学习。为解决这些问题，我们提出一种新颖的交叉头互均值教学网络（CMMT-Net），其引入强-弱数据增强，从而同时有益于自训练与一致性学习。具体而言，我们的 CMMT-Net 由教师-学生对等网络构成，共享编码器与双解码器（略有差异），且由一个均值教师头生成的伪标签被用于监督另一学生分支以实现互一致性。此外，我们提出互虚拟对抗训练（MVAT）以平滑决策边界并增强特征表示。为丰富一致性训练样本，我们采用交叉集 CutMix 策略，其亦有助于解决分布不匹配问题。值得注意的是，CMMT-Net 同时实施数据、特征与网络扰动，放大了模型多样性与泛化性能。在三个公开数据集上的实验结果表明，我们的方法在各种半监督场景下相较先前 SOTA 方法取得了显著改进。代码与日志将发布于 https://github.com/Leesoon1984/CMMT-Net。
引用
@article{arxiv.2310.05082,
title = {Cross-head mutual Mean-Teaching for semi-supervised medical image segmentation},
author = {Wei Li and Ruifeng Bian and Wenyi Zhao and Weijin Xu and Huihua Yang},
journal= {arXiv preprint arXiv:2310.05082},
year = {2025}
}
备注
Code and logs will be available at https://github.com/Leesoon1984/CMMT-Net