重新思考半监督医学图像分割中的数据扰动与模型稳定化

半监督医学图像分割（SSMIS）的研究近年来进展迅速。由于标注数据有限，SSMIS 方法主要侧重于有效利用无标注数据来提升分割性能。然而，尽管现有最优方法性能优异，它们往往优先集成复杂技术与损失项，而非直接应对半监督场景的核心挑战。我们认为 SSMIS 的关键在于在无标注数据上产生充分且恰当的预测分歧。为此，我们强调数据扰动与模型稳定化在半监督分割中的重要性，并提出一种简单而有效的方法（称为 DPMS）来显著提升 SSMIS 性能。具体而言，我们首先从数据、模型与损失三个不同视角重新审视 SSMIS，并对相应策略进行深入研究以检验其有效性。基于这些考察，我们进而提出 DPMS，其采用朴素的教师-学生框架与标准监督损失及无监督一致性损失。为产生恰当的预测分歧，DPMS 通过强增强扰动无标注数据以显著放大预测分歧。另一方面，在应用强增强时使用 EMA 教师未必能提升性能。DPMS 进一步利用两次前向传播与动量更新归一化统计量的策略，以有效稳定无标注数据上的训练。尽管简单，DPMS 在公开 2D ACDC 与 3D LA 数据集上的多种半监督设定下均取得新的最优性能，例如在 ACDC 仅用 5% 标签时相较此前 SOTA 取得显著的 22.62% 提升。