噪声标签亦是宝藏：均值教师辅助的置信学习用于肝血管分割

从计算机断层扫描（CT）中手动分割肝血管由于血管低对比度与复杂形态，远比其它结构更需专业知识和劳力，导致高质量标注数据极度匮乏。缺乏充足高质量标注时，通常的数据驱动学习型方法受困于训练不足。另一方面，直接引入带低质量标注的额外数据可能混淆网络，导致不理想的性能退化。为解决此问题，我们提出一种新颖的均值教师辅助置信学习框架，以鲁棒地利用噪声标注数据应对具挑战性的肝血管分割任务。具体而言，在第三方即权重平均教师模型辅助下，经调整的置信学习可通过渐进式逐像素软校正将额外低质量数据集中的噪声标签从“累赘”变为“宝藏”，从而提供生产性指导。使用两个公开数据集的广泛实验证明了所提框架的优越性及各组件的有效性。