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