双教师集成模型与双复制-粘贴用于3D半监督医学图像分割
计算机视觉与模式识别
2024-10-16 v1
摘要
半监督学习(SSL)技术解决了3D医学图像分割中高昂的标注成本问题，教师-学生模型是常见的方法。然而，在单教师模型中使用指数移动平均(EMA)可能导致耦合问题，即学生和教师模型的权重变得相似，限制了教师为学生提供额外知识的能力。为此提出了双教师模型以解决此问题，但往往忽视了维持教师模型多样性的重要性，导致教师之间存在耦合问题。为解决耦合问题，我们引入双复制-粘贴(DCP)技术以增强教师之间的多样性。此外，我们引入阶段性选择性集成(SSE)模块，该模块根据样本特征选择不同的集成方法， enables更准确的标签边界分割，从而提高了伪标签的质量。实验结果表明，我们提出的方法在3D医学图像分割任务中有效。此处提供代码链接：https://github.com/Fazhan-cs/DCP。
引用
@article{arxiv.2410.11509,
title = {Dual-Teacher Ensemble Models with Double-Copy-Paste for 3D Semi-Supervised Medical Image Segmentation},
author = {Zhan Fa and Shumeng Li and Jian Zhang and Lei Qi and Qian Yu and Yinghuan Shi},
journal= {arXiv preprint arXiv:2410.11509},
year = {2024}
}
备注
35 pages, 5 figures