基于跨模型互学习的示例驱动医学图像分割

医学图像分割通常需要大量密集标注来训练模型，耗时且需要专业技能。为缓解这一负担，示例驱动型医学图像分割方法应运而生，仅需一张标注图像即可实现有效训练。本文提出一种新型跨模型互学习框架，用于示例驱动医学图像分割（CMEMS），该框架利用两个模型在多个细粒度上从无标签数据中挖掘隐式信息。CMEMS可消除确认偏差，通过在不同模型之间强制在不同细粒度上的一致性，实现协作式训练以学习互补信息。具体而言，基于跨模型图像扰动的互学习方法通过对弱扰动图像生成高置信度伪标签，在模型之间监督强扰动图像的预测，从而实现图像细粒度上的预测一致性。此外，设计了基于跨模型多级特征扰动的互学习方法，使伪标签监督来自不同分辨率下扰动多级特征的预测，从而拓宽扰动空间并增强框架的鲁棒性。CMEMS端到端地使用示例数据、合成数据和无标签数据进行联合训练。实验结果表明，在两种医学图像数据集上，所提出的CMEMS相较于当前最先进的分割方法，在极少监督条件下表现更佳。