MT-UDA：面向源标签有限的无人监督跨模态医学图像分割

深度卷积神经网络（DCNNs）的成功得益于大量标注数据。然而，标注医学图像费力、昂贵且需要人类专业知识，这导致了标签稀缺问题。尤其在遇到域偏移时，该问题变得更加严重。尽管深度无监督域适应（UDA）可利用成熟的源域标注和丰富的目标域数据来促进跨模态图像分割，并缓解目标域上的标签匮乏问题，但传统 UDA 方法在源域标注稀缺时性能严重下降。本文中，我们探索了一种具有挑战性的 UDA 设定——有限的源域标注。我们旨在研究如何高效地利用来自源域和目标域的未标注数据以及有限的源标注进行跨模态图像分割。为此，我们提出了一种新的标签高效 UDA 框架，称为 MT-UDA，其中用有限源标签训练的学生模型以半监督方式分别通过两个教师模型从两个域的未标注数据中学习。更具体地，学生模型不仅通过鼓励预测一致性来提炼域内语义知识，还通过强制结构一致性来利用域间解剖信息。因此，学生模型能有效整合可用数据资源下的潜在知识，以减轻源标签稀缺的影响并产出改进的跨模态分割性能。我们在 MM-WHS 2017 数据集上评估了我们的方法，并表明在源标签稀缺场景下，我们的方法大幅优于最先进的方法。