基于自我感知伪标签的双跨图像语义一致性：用于半监督医学图像分割

半监督学习在解决医学图像分割中标签训练数据有限的挑战方面证明效果极佳。一般情况下，当前方法依赖于通过伪标签实现的像素级 intra-image 一致性训练，忽略了更全面的语义层面的一致性（例如对象区域），并因标签和未标记数据数量不平衡而导致提取特征之间严重差异。为克服这些限制，我们提出了一种新的 DuCiSC（Du - al Cross - im - age Semantic Consistency）学习框架，用于半监督医学图像分割。具体而言，DuCiSC 提出两个范式，以鼓励跨 labeled 和 unlabeled 图像以及 labeled 和 fused 图像之间的区域级语义一致性，通过显式对齐其原型来实现。凭借双范式，DuCiSC 能够通过原型表示有效建立一致的跨图像语义，从而解决特征差异问题。此外，我们设计了一种 novel 自我感知置信度估计策略，以准确选择可靠的伪标签，允许在利用 unlabeled 数据的训练动态方面发挥作用。我们在四个数据集上广泛验证了 DuCiSC 方法，包括两个流行的二元基准数据集用于分割左心室和胰腺，一个多类 Automatic Cardiac Diagnosis Challenge 数据集，以及一个具有复杂解剖结构的下颌神经分割场景，显示出优于 previous state-of-the-art 方法的优异分割结果。我们的代码已公开于 \href{https://github.com/ShanghaiTech-IMPACT/DuCiSC}{https://github.com/ShanghaiTech-IMPACT/DuCiSC}。