面向通用半监督医学图像分割的多样化教学与标签传播

受限标注和 domain shift 是医学图像分割中常见的挑战，导致半监督医学图像分割（SSMIS）、半监督医学 domain 普遍化（Semi-MDG）和无监督医学 domain 适应（UMDA）等衍生场景。常规方法通常针对特定任务进行设计，孤立化，导致误差累积阻碍有效利用无标签数据，进而限制进一步的改进，在这些问题同时出现时表现次佳。本文旨在开发一个通用框架，掌握所有三种任务。我们发现，解决这一问题的关键在于如何在带标签数据存在的 domain shift 环境下为无标签数据生成可靠的伪标签并增加模型的多样性。为此，我们采用 Diverse Teaching and Label Propagation Network（DTLP-Net）来提升通用半监督医学图像分割。DTLP-Net 包含一个学生模型和两个 diverse 教师模型，后者为学生模型生成可靠的伪标签。第一个教师模型将训练过程与带标签和无标签数据分离，第二个教师定期进行动量更新，从而生成可靠且 diverse 的伪标签。为充分利用数据中的信息，我们采用样本间和样本内数据增强来学习全局和局部知识。此外，为进一步捕获体素级相关性，我们提出标签传播以增强模型的鲁棒性。我们在五个基准数据集上评估了所提框架，用于 SSMIS、UMDA 和 Semi-MDG 任务。结果在所有五种设置下均显著优于最新方法，表明该框架有潜力应对更具挑战性的 SSL 场景。