面向半监督医学图像分割的跨监督双分类器

半监督医学图像分割通过显著减轻标注负担同时取得可比性能，为大规模医学图像分析提供了有前景的方案。采用该方法在转化研究的临床环境中优化分割流程并提升其可行性具有高度潜力。近来，基于不同协同训练子网络的跨监督训练已成为该任务的标准范式。然而，子网络分歧与标签噪声抑制等关键问题在跨监督训练中仍需进一步关注与改进。本文提出一种基于双分类器（DC-Net）的跨监督学习框架，包含一个证据分类器与一个普通分类器。两个分类器呈现互补特性，使它们能有效处理分歧并为未标注数据生成更鲁棒、准确的伪标签。我们还将证据分类器的不确定性估计融入跨监督训练，以缓解错误监督信号的负面影响。在 LA 与 Pancreas-CT 数据集上的大量实验表明，DC-Net 优于其他最先进的半监督分割方法。代码将很快发布。