面向半监督 3D 医学图像分割的全可微双向双任务协同学习

半监督学习通过利用无标签数据放宽了大规模像素级标记数据集对图像分割的需求。由于标注成本高昂和需要专业临床 expertise，高质量标记数据的稀缺仍是医学图像分析中的主要挑战。半监督学习在缓解这一瓶颈方面展现了显著潜力，其中伪标签和一致性正则化是两种主要范式。双任务协同学习是一种新兴的、以一致性为导向的范式，寻求通过建立相关任务之间的预测一致性来派生额外监督信息。然而，现有方法受限于单向交互机制（通常为回归到分割），由于分割结果只能以离线方式转化为回归输出，因而未能充分发挥在线双向跨任务协作的潜在益处。因此，我们提出了全可微双向协同学习 (DBiSL) 框架，将无缝集成并增强四个关键半监督学习组件：监督学习、一致性正则化、伪监督学习和不确定性估计。实验在两个基准数据集上表明我们的方法在性能上取得了最先进的水平。除了技术贡献之外，本工作为统一的半监督学习框架设计提供了新见解，并为双任务驱动的半监督学习建立了新的架构基础，同时提供了一个适用于更广泛计算机视觉应用的通用多任务学习框架。代码将在接受录取后发布至 github。