DHC：用于类别不平衡的半监督医学图像分割的双重去偏异构协同框架

DHC: Dual-Debiased Heterogeneous Co-training Framework for Class-Imbalanced Semi-supervised Medical Image Segmentation

摘要

该研究针对三维医学图像的体积级标注需求专业性高、耗时长的问题，因此半监督学习（SSL）在利用有限标注数据进行训练方面尤为重要。然而，类别不平衡的严重问题成为限制这些方法在实际应用中的瓶颈，但却鲜有解决方案。

为解决这一问题，提出了一种新颖的双重去偏异构协同（DHC）框架，用于半监督三维医学图像分割。

提出了两种损失加权策略，即分布感知去偏加权（DistDW）和困难感知去偏加权（DiffDW），这两种策略动态地利用伪标签引导模型解决数据和学习偏差。该框架通过同时训练这两个不同且准确的子模型显著改善了性能。

方法

图1. （a）Synapse数据集中前景类别的分布情况。（b）比较了每个类别的提出的DistDW方法的比例排名和Dice值。（c）比较了每个类别的体素数量和Dice值，x轴上的值是DiffDW和DistDW模型之间Dice值的差异。

Distribution-aware Debiased Weighting (DistDW)

强制模型更加关注少数类来重新平衡学习过程

Difficulty-aware Debiased Weighting (DiffDW)

盲目地强迫模型优先考虑少数类可能会进一步加剧学习偏差，因为一些具有挑战性的类别可能无法学习到足够的程度。为了缓解这个问题，我们设计了DiffDW，以迫使模型专注于最困难的类别（即学习速度较慢且性能较差的类别），而不是少数类。困难性以两种方式建模：学习速度和性能。使用Population Stability Index来衡量第t个迭代后每个类别的学习速度

实验结果