面向半监督医学图像分割的对角分层一致性学习

医学图像分割对许多临床应用至关重要，借助数据驱动的深度学习技术已几乎达到人类水平的表现。然而，其性能依赖于对大量医学图像进行人工标注这一昂贵过程。为此，我们提出一种利用对角分层一致性学习（DiHC-Net）的鲁棒半监督医学图像分割新框架。首先，该框架由多个具有相同多尺度架构但子层（如上采样层和归一化层）不同的子模型组成。其次，借助互一致性，以一种对角分层方式，在一个模型的中间与最终预测及其他模型的软伪标签之间施加一种新的一致性正则化。一系列实验验证了该简洁框架的有效性，在涵盖器官与肿瘤的公开基准数据集上优于以往所有方法。