自环不确定性：一种用于半监督医学图像分割的新型伪标签

目睹深度学习神经网络在自然图像处理中的成功，越来越多研究提出开发基于深度学习的框架用于医学图像分割。然而，由于医学图像的逐像素标注费力且昂贵，标注数据量通常不足以充分训练神经网络。本文提出一种半监督方法，利用有限标注数据与大量无标注图像训练神经网络进行医学图像分割。一种新颖的伪标签(即自环不确定性)，通过以自监督任务循环优化神经网络生成，被用作无标注图像的ground-truth以扩充训练集并提升分割精度。所提自环不确定性可视为对集成多个模型所得不确定性估计的近似，且显著减少了推理时间。在两个公开数据集上的实验结果证明了我们半监督方法的有效性。