SDCL：用于半监督医学图像分割的学生差异知情校正学习
图像与视频处理
2024-10-07 v2 计算机视觉与模式识别
摘要
半监督医学图像分割（SSMIS）已被证明具有缓解医学标注数据有限问题的潜力。然而，由于错误的伪标签，确认偏差和认知偏差可能会影响主流的基于师生模型的 SSMIS 方法。为了应对这一挑战，我们改进了均值教师方法，并提出了学生差异知情校正学习（SDCL）框架，该框架包含两个学生模型和一个不可训练的教师模型，利用两个学生模型之间的分割差异来指导自我校正学习。SDCL 的本质是将分割差异区域识别为潜在偏差区域，然后鼓励模型在这些区域回顾正确的认知并纠正自身的偏差。为了促进具有持续回顾和纠正的偏差校正学习，采用了两种校正损失函数来最小化正确分割体素的距离并最大化错误分割体素的熵。我们在三个公开医学图像数据集上进行了实验：两个 3D 数据集（CT 和 MRI）和一个 2D 数据集（MRI）。结果表明，我们的 SDCL 在 Pancreas、LA 和 ACDC 数据集上的 Dice 分数分别比当前最先进（SOTA）方法高出 2.57%、3.04% 和 2.34%。此外，我们方法在 ACDC 数据集上的准确率非常接近全监督方法，在 Pancreas 和 LA 数据集上甚至超过了全监督方法。（代码可在 \url{https://github.com/pascalcpp/SDCL} 获取）。
引用
@article{arxiv.2409.16728,
title = {SDCL: Students Discrepancy-Informed Correction Learning for Semi-supervised Medical Image Segmentation},
author = {Bentao Song and Qingfeng Wang},
journal= {arXiv preprint arXiv:2409.16728},
year = {2024}
}
备注
Accepted at MICCAI 2024