Title：
目录
Abstract（摘要）
本文全面的回顾了最近提出的用于医学图像分割的半监督方法，并总结了每种方法的创新性，此外还分析了现有方法的局限性和几个尚未解决的问题。
半监督学习方法鼓励分割模型利用更容易获得未标记数据并结合有限的标注数据进行训练。
二：前期
2.1半监督学习的基本分类
根据训练过程中测试数据是否完全可用，半监督学习可以分为两种分别是转导学习和归纳学习
对于转导学习，假设训练过程中未标记的样本正是要预测的数据（即测试集）而转导学习的目的是在这些未标记的数据上泛化模型。而对于归纳学习，半监督模型将应用于新的未标记数据
2.2半监督学习的三个假设
对于半监督学习的一个基本先决条件是数据分布应该在数据结构不变的假设下，否则其不可能从有限的数据集推广到无限的不可见集。半监督学习的三个假设包括。
1）平滑假设：若X1，X2相似，则其对应的输出Y1和Y2也相似
2）集群假设：如果单个类中的样本倾向于形成一个簇，当数据点可以通过不经过任何低密度区域的短曲线连接时，它们属于同一个类簇
3)分歧假设
三：半监督学习图像分割的相关工作
半监督医学图像分割问题的分类
半监督医学图像分割可以分为
1）带有伪标签的半监督学习（自训练）主要是通过模型预测后得到伪标签之后再进行进一步的训练。
2）具有无监督正则化的半监督学习，标记数据和未标记数据一起送入模型进行训练（可以在具体细分为一致性学习；协同训练；对抗学习；熵最小化）
3）具有先验知识的半监督学习，其中使用未标记图像来启用模型
与生成伪标签和以迭代方式更新分割模型不同，半监督分割的最新进展主要集中在生成具有无监督正则化的监督信号，如无监督损失函数上。
无监督正则化
（1）一致性学习：其基本思想是在不同的扰动下图像的预测结果应当保持一致（两个对象间的一致性可以通过KL散度和均方误差等来计算）
上面所提到的扰动可以分为输入扰动和特征图扰动。常见的扰动包括高斯噪声，随机旋转缩放，对比度变换等。而常见特征级别扰动包括特征噪声，特征丢失，上下文掩蔽等。
（2）协同训练：协同训练假设每个数据有两个不同的视图，并且每个视图都有足够的信息可以给出预测结果。一个视图对于另一视图是冗余的，并且鼓励模型对这两个视图进行一致性预测。
具体来说，它首先在标记数据上为每一个视图学习一个单独的分割模型，然后将两个模型对未标记数据的预测逐渐添加到训练集中继续训练。注意：与自训练方法不同，协同训练将伪标签从一个视图添加到另一个视图的训练集。协同训练中未标记数据的伪标签将充当监督信号来训练其他模型。而一致性学习鼓励在不同的扰动下输出一致。
（3）对抗学习：对抗学习总是包含着一个鉴别器来区分输入与带标记的注释和未标记数据的预测。一般来说对抗学习鼓励未标记数据的分割输出与标记数据的注释相似。
（4）熵最小化的无监督正则化：熵最小化鼓励模型，对未标记数据输出低熵预测并避免类
软标签：在生成模型中使用软标签（即使用数据作为每一类的概率，而在自学习中使用的是硬标签即强行根据设定的方法将未标记数据规划到某一类当中去）
具有知识先验的半监督医学图像分割
知识先验是模型在学习新信息之前就已经拥有的信息，这些信息有助于处理新任务，例如器官的形状位置等。
其他半监督医学图像分割方法
在实际的应用获取的数据和注释很可能难以满足半监督学习的假设，标记数据和未标记数据很可能会分布错位，可以通过最小化它们特征图之间的L2距离来对齐数据分布和未标记数据分布。同时为了区分标记数据和未标记数据的分割通过比较来自Ground Truth标记标签和输入特征图中的非局部语义关系矩阵来获得进一步的分割监督
四：医学图像分割的常用评价指标
1）DSC
DSC是医学图像分割问题中的常用的度量指标，用于衡量Ground Truth和分割结果的区域重叠区域率，其公式为：
2）IOU
另一类似的度量被称作IOU
但是，像DSC这样的区域不能很好的反映边界错误或错误分割的小区域，为了解决这个限制，基于边界的指标（豪斯多夫距离）
3）豪斯多夫距离（HD）
其中 σG和σS分别代表GroundTruth和分割结果的边界
五：半监督医学图像分割现有的挑战和未来的发展方向
1）分布不均和类别不平衡
2）对于半监督学习，所有未标记数据都被平等的对待，但是并非所有未标记数据都适用于模型学习
3）与其他注释有效的方法集成。
2285
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
