用于半监督学习的双重不确定性加权方法

尽管深度学习近期取得了先进性能，但在医学影像领域这仍是一项具有挑战性的任务，因为获取可靠的标注训练数据既耗时又昂贵。本文提出一种基于师生模型的半监督分割双重不确定性加权方法。教师模型通过对标记与未标记数据上不一致预测施加惩罚，为学生模型提供指导。我们使用贝叶斯深度学习训练教师模型以获得双重不确定性，即分割不确定性与特征不确定性。这是首次将分割不确定性估计拓展至特征不确定性，其揭示了在通道间捕获信息的能力。设计了一种可学习的不确定性一致性损失，用于无监督学习过程，在预测与不确定性之间以交互方式进行。在无真值监督的情况下，它仍能激励教师模型给出更准确的预测，并促使模型减少不确定性估计。此外，我们提出的双重不确定性作为各不一致惩罚的权重，以平衡与协调监督与无监督训练过程。我们通过定性与定量分析验证了所提特征不确定性与损失函数。实验结果表明，我们的方法在两个公开医学数据集上优于当前最优的基于不确定性的半监督方法。