摘要
在半监督医学图像分割任务中，标注数据与未标注数据之间普遍存在分布不一致的实证问题。若对标注数据与未标注数据采取分离处理或不一致的建模方式，可能导致从标注数据中学习到的知识被大量浪费。为此，本文提出一种简单而有效的方法——在经典的Mean Teacher架构中，双向地将标注数据与未标注数据进行图像复制粘贴（copy-paste）操作，以缓解该问题。该方法促使未标注数据在正向与反向两个方向上，从标注数据中学习到更全面、一致的语义特征。更重要的是，通过为标注数据与未标注数据建立一致的学习机制，能够显著缩小两者之间的经验分布差距。具体而言，我们从一张标注图像（前景）中随机裁剪出一块区域，并将其粘贴到一张未标注图像（背景）上；同时，也从一张未标注图像（前景）中随机裁剪并粘贴到一张标注图像（背景）上，从而生成两个混合图像。这两个混合图像被输入至学生网络（Student network），并由伪标签与真实标签共同构成的混合监督信号进行指导训练。实验结果表明，这种在标注与未标注数据之间双向复制粘贴的简单机制已足够有效，在多个半监督医学图像分割数据集上均取得了显著性能提升，例如在仅使用5%标注数据的ACDC数据集上，Dice系数提升超过21%。该方法在性能上优于当前多种先进方法。代码已开源，地址为：https://github.com/DeepMed-Lab-ECNU/BCP。