半监督分割与Transformer结合论文阅读（更新中）

一.Semi-Supervised Medical Image Segmentation via Cross
Teaching between CNN and Transformer（MIDL2022）

论文地址：https://arxiv.org/abs/2112.04894

Code:https://github.com/HiLab-git/SSL4MIS

 其实这篇文章和CPS如出一辙，只是将CPS中的两个相同结构不同初始化的网络分别替换为CNN和一个Transformer结构的网络，无标签部分的输出loss计算也是采用了CPS中的交叉监督方法。

下面是具体的loss计算：

其中是CNN的输出结果，是Transformer的输出结果。

 

 和分别是CNN和Transformer预测结果的伪标签，之后交叉计算DIce

 

Label部分就是cross-entropy loss 和 dice loss ，其中是time-dependent Gaussian warming up function commonl。是当前迭代次数，是总迭代次数

实验部分：

 表格中第一部分是将原始方法的unet替换为swinunet的结果

第二部分中的CT表示交叉教学，CR表示一致性正则化

第三部分为不用的损失函数的结果，*表示预测结果为swinunet生成

 

 

这部分实验是在不同数量有标签数据下的结果，且最终预测由unet产生