利用固定与动态伪标签提升半监督医学图像分割

半监督医学图像分割因能够利用未标注数据而日益受到关注。当前的方法大多依赖于基于协训练框架的伪标签化。这些方法依赖于单个伪标签进行训练，但这些标签不如真实标注数据准确。仅依赖一个伪标签往往会导致次优结果。为此，我们提出了一种新方法，即对同一未标注图像使用多个伪标签进行学习：常规固定伪标签和新引入的动态伪标签。通过将同一未标注图像的多个伪标签纳入协训练框架，我们的方法提供了更稳健的训练方法，从而提高了模型性能和泛化能力。我们在三个半监督医学基准分割数据集上验证了我们的方法，分别是左心室数据集、胰腺-CT 数据集和 Brats-2019 数据集。我们的方法在不同标注数据比例的多个医学基准分割数据集上均显著优于当前方法。我们还进行了若干消融实验，以演示所用方法各组件的有效性。