统计之恶：缓解和利用医学图像分割中统计差异以实现通用半监督学习

尽管最近的领域泛化在医学图像分割方面取得了成功，但为所有源领域进行体素级标注仍是巨大的负担。近期提出的半监督领域泛化旨在通过利用来自多个医学机构的有限标记数据和丰富的未标记数据来应对这一挑战，具体依赖精确地利用未标记数据，同时提高泛化能力。在本工作中，我们观察到不同医学机构之间的领域偏移会导致特征统计呈现差异，这会由于意外的归一化过程显著恶化伪标签质量。尽管如此，这一现象却可被利用来促进不可见领域的泛化。因此，我们提出：1) 多个统计-个体分支以缓解领域偏移对可靠伪标签的影响；2) 一个统计-聚合分支用于领域无关特征学习。此外，为了模拟统计差异的不可见领域，我们从两个方面入手：即在图像层面进行直方图匹配扰动和在特征层面进行随机批量归一化选择策略，产生多样化的统计分布以扩充训练分布。在三个医学图像数据集上的评估结果表明，我们的方法优于最近的 SOTA 方法。代码已公开于 https://github.com/qiumuyang/SIAB。