面向通用半监督医学图像分割的多样化教学与标签传播

受限的标注和域漂移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）、半监督医学域泛化（Semi-MDG）和无监督医学域适应（UMDA）等衍生场景。常规方法通常针对特定任务进行设计，孤立存在，导致误差累积阻碍了对无标注数据的有效利用，并限制了进一步的改进，使得在这些问题同时出现时表现不佳。在本文中，我们旨在开发一个通用的框架，掌握这三个任务。我们发现，解决问题的关键在于如何在标注数据存在且存在域漂移的情况下，为无标注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。我们的 DTLP-Net 包含一个学生模型和两个具有多样性的教师模型，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标注数据和无标注数据分离。第二个教师定期进行动量更新，从而生成可靠且多样的伪标签。为了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，为了进一步捕获体素级别的相关性，我们提出了标签传播以增强模型的鲁棒性。我们在五个基准数据集上对 SSMIS、UMDA 和 Semi-MDG 任务进行评估。结果在所有五种设置下均显示出相对于最先进方法的显著性改进，表明该框架有潜力应用于更具挑战性的半监督学习场景。