像真正的医生一样判断：半监督医学图像分类的双教师样本一致性框架
计算机视觉与模式识别
2024-11-06 v1
摘要
半监督学习（SSL）是缓解医学图像分类中高标注成本的流行解决方案。作为 SSL 的主要分支，一致性正则化致力于在不同视角的单个样本预测之间施加共识，称为绝对位置一致性（AL-c）。然而，仅有 AL-c 可能不够充分。就像在实际诊断病例时一样，除了病例本身，医生通常还会参考某些相关的可信病例以做出更可靠的决策。因此，我们认为仅依赖 AL-c 可能会忽略样本之间的相对差异，我们将其解释为相对位置，并且仅利用来自一个视角的有限信息。为了解决这个问题，我们提出了样本一致性均值教师（SCMT），它不仅包含 AL-c，还额外强制样本与其相关样本之间的相对相似性一致性，称为相对位置一致性（RL-c）。AL-c 和 RL-c 从两个不同视角进行一致性正则化，联合提取更多样化的语义信息用于分类。另一方面，由于医学图像中结构高度相似，样本分布在特征空间中可能过于密集，使其相对位置容易受到噪声影响。为了解决这个问题，我们进一步开发了样本散度均值教师（SSMT），利用对比学习来稀疏化样本分布并获得鲁棒且有效的相对位置。在不同数据集上的广泛实验证明了我们方法的优越性。
引用
@article{arxiv.2411.03041,
title = {Judge Like a Real Doctor: Dual Teacher Sample Consistency Framework for Semi-supervised Medical Image Classification},
author = {Zhang Qixiang and Yang Yuxiang and Zu Chen and Zhang Jianjia and Wu Xi and Zhou Jiliu and Wang Yan},
journal= {arXiv preprint arXiv:2411.03041},
year = {2024}
}
备注
Accepted by IEEE Transactions on Emerging Topics in Computational Intelligence