SGTC：面向稀疏标注半监督医学图像分割的语义引导三元协同训练

尽管半监督学习在医学图像分割领域取得了显著进展，但逐切片对体积样本进行完全标注仍然是一项昂贵且耗时的任务。更糟糕的是，现有的大多数方法过于关注图像级信息而忽略了语义特征，导致无法感知弱边界。为了解决这些问题，我们提出了一种新颖的语义引导三元协同训练（SGTC）框架，该框架仅通过标注少数体积样本的三个正交切片来实现高端医学图像分割，显著减轻了放射科医生的负担。我们的方法由两个主要部分组成。具体而言，为了实现语义感知的细粒度分割并提高伪标签质量，基于预训练的 CLIP 提出了一种新颖的语义引导辅助学习机制。此外，针对更具挑战性但临床现实的场景，提出了一种新的三视图差异训练策略，该策略使用稀疏标注（即仅少数体积的三个标注切片）在三个子网络之间进行协同训练，显著提高了鲁棒性。在三个公共医学数据集上的大量实验表明，在稀疏标注设置下，我们的方法优于大多数最先进的半监督方法。源代码可在 https://github.com/xmeimeimei/SGTC 获取。