SemiSAM：通过 SAM 辅助的一致性正则化增强半监督医学图像分割

半监督学习因其相比全监督方法对获取专家大量标注的依赖较小而备受关注，这对于通常需要领域专家进行密集像素/体素级标注的医学图像分割尤为重要。尽管半监督方法可通过利用无标签数据提升性能，但在标注极其有限的场景下，与全监督方法之间仍存在差距。本文提出了一种简单而高效的策略，探索利用分割一切模型（SAM）来增强半监督医学图像分割。具体而言，利用领域知识训练的分割模型提供定位信息并为 SAM 生成输入提示。然后，SAM 生成的伪标签被用作额外的监督信号，以辅助半监督框架的学习过程。大量实验表明，当仅有一张或几张有标签图像可用时，SemiSAM 显著提升了现有半监督框架的性能，并作为一种即插即用策略，在半监督医学图像分割中展现出强大的效率。