17 天前
半监督医学图像分割中的交替多样化教学
Zhen Zhao, Zicheng Wang, Longyue Wang, Dian Yu, Yixuan Yuan, Luping Zhou

摘要
半监督医学图像分割研究在有限标注数据条件下训练模型方面展现出巨大潜力。然而,当前主流的教师-学生框架方法容易受到确认偏差(confirmation bias)的影响。为应对这一挑战,本文提出一种名为AD-MT的交替多样性教学方法,该方法基于教师-学生框架,采用一个学生模型和两个不可训练的教师模型。这两个教师模型通过周期性且随机交替的方式进行动量更新。为缓解来自多样化监督带来的确认偏差,AD-MT的核心在于两个创新模块:随机周期交替(Random Periodic Alternate, RPA)更新模块与冲突对抗模块(Conflict-Combating Module, CCM)。RPA模块通过调度交替的多样化更新过程,结合互补的数据批次、不同的数据增强策略以及随机切换周期,促使学生模型从多种教学视角中获得多样化的推理能力。CCM模块则采用基于熵的集成策略,引导模型同时学习教师之间一致与冲突的预测结果,从而提升模型的鲁棒性与泛化能力。实验结果表明,AD-MT在多种半监督设置下的二维与三维医学图像分割基准任务中均展现出显著的有效性与优越性。