Decoupled Consistency for Semi-supervised Medical Image Segmentation
摘要
通过充分利用未标记的数据,半监督学习(SSL)技术最近在医学图像分割方面取得了可喜的成果。伪标记和一致性正则化是使用未标记数据的两种有效策略。然而,传统的伪标记方法会过滤掉低置信度的像素。一致性正则化没有充分利用高置信度和低置信度数据的优点。因此,这两种方法都不能充分利用未标记的数据
本文提出了一种新颖的解耦一致性半监督医学图像分割框架。首先,利用动态阈值将预测数据解耦为一致和不一致的部分。对于一致部分,我们采用交叉伪监督的方法进行优化。对于不一致的部分,我们进一步将其解耦为可能发生在决策边界附近的不可靠数据和更有可能出现在高密度区域附近的指导数据。不可靠的数据将朝着指导数据的方向进行优化。我们将此操作称为方向一致性。此外,为了充分利用数据,我们将特征图纳入训练过程,并计算特征一致性的损失。大量的实验证明了我们提出的方法的优越性。
代码地址
方法
一致性的阈值:
等价于下面这个
C为类别数,rtA为pa
不一致的一部分
一致的一部分:
实验结果