差异至关重要：从不一致的解码器特征中学习以实现一致的半监督医学图像分割
计算机视觉与模式识别
2023-10-19 v1
摘要
半监督学习（SSL）已被证明有利于缓解标注数据有限的问题，尤其在体积医学图像分割任务上。以往SSL方法侧重于探索高置信度伪标签或开发一致性正则化方案，而我们的经验发现表明，当两个解码器力求生成一致预测时，不一致的解码器特征会自然出现。基于该观察，我们首先在伪标签和一致性正则化两种设定下分析了朝向一致性学习中的差异宝藏，随后提出一种称为LeFeD的新型SSL方法，其通过学习两个解码器获得的特层级差异，将该差异作为反馈信号馈送给编码器。LeFeD的核心设计是通过训练差异化解码器来放大差异，然后迭代地从不一致信息中学习。我们在三个公开数据集上将LeFeD与八种最先进（SOTA）方法进行比较。实验表明，LeFeD无需任何如不确定性估计和强约束之类的附加技巧即超越竞争对手，并树立了半监督医学图像分割的新SOTA。代码见\textcolor{cyan}{https://github.com/maxwell0027/LeFeD}
引用
@article{arxiv.2309.14819,
title = {Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation},
author = {Qingjie Zeng and Yutong Xie and Zilin Lu and Mengkang Lu and Yong Xia},
journal= {arXiv preprint arXiv:2309.14819},
year = {2023}
}