基于关系驱动自集成模型的半监督医学图像分类

训练深度神经网络通常需要大量标注数据以获得良好性能。然而，在医学图像分析中，获取数据的高质量标签费力且昂贵，因为准确标注医学图像需要临床医生的专业知识。本文提出一种新颖的用于医学图像分类的关系驱动半监督框架。它是一种基于一致性的方法，通过鼓励给定输入在扰动下预测的一致性来利用未标注数据，并借助自集成模型为未标注数据生成高质量一致性目标。考虑到人类诊断常参考以往类似病例以做出可靠决策，我们引入一种新颖的样本关系一致性（SRC）范式，通过对不同样本间关系信息建模来有效利用未标注数据。优于现有简单强制个体预测一致性的基于一致性的方法，我们的框架显式强制不同样本间语义关系在扰动下的一致性，鼓励模型从未标注数据中探索额外语义信息。我们在两个公开基准医学图像分类数据集上进行了广泛实验以评估该方法，即 ISIC 2018 挑战的皮肤病变诊断和 ChestX-ray14 的胸部疾病分类。我们的方法在单标签和多标签图像分类场景下均优于许多最先进的半监督学习方法。