基于双教师学生学习的半监督医学图像分割
计算机视觉与模式识别
2025-11-10 v2
摘要
半监督学习可减少医学图像分割中昂贵的手动标注负担。流行的方法是均值教师（MT）策略，采用基于时间平滑的教师模型进行一致性正则化。在本工作中，我们将MT策略在监督学习语境下重新解释为自paced学习的一种形式，其中教师预测与真实标签之间的一致性隐式地引导模型从易到难。将这一洞察扩展到半监督学习，我们提出了双教师学生学习（DTSL）。它通过两个信号调节 unlabeled 数据上的学习节奏：来自小组内教师的时间平滑信号，以及来自第二个异构模型小组中学生的跨架构信号。具体而言，一种新颖的共识标签生成器（CLG）从这两个信号的一致性中创建伪标签，建立有效的学习课程。在四个基准数据集上的大量实验表明，所提出的方法持续地优于现有的SOTA方法。在四个数据集中的三个上，所提出的半监督方法在有限标注数据下甚至超过其完全监督的对等方法，验证了自paced学习设计的有效性。
引用
@article{arxiv.2505.11018,
title = {Dual Teacher-Student Learning for Semi-supervised Medical Image Segmentation},
author = {Pengchen Zhang and Alan J. X. Guo and Sipin Luo and Zhe Han and Lin Guo},
journal= {arXiv preprint arXiv:2505.11018},
year = {2025}
}