
摘要
半监督医学图像分割(Semi-Supervised Medical Image Segmentation, SSMIS)已被证明在缓解医学标注数据稀缺问题方面具有巨大潜力。然而,由于伪标签存在错误,基于教师-学生架构的主流SSMIS方法易受到确认偏误(confirmation bias)和认知偏误的影响。为应对这一挑战,本文改进了均值教师(Mean Teacher)方法,提出了一种名为“学生差异感知校正学习”(Students Discrepancy-Informed Correction Learning, SDCL)的新框架。该框架包含两个学生网络和一个不可训练的教师网络,通过分析两个学生之间的分割结果差异,引导模型进行自我校正学习。SDCL的核心思想是将分割结果差异较大的区域识别为潜在的偏误区域,并在此类区域中促使模型重新审视其正确认知,进而修正自身偏差。为实现持续性的偏误修正学习,本文设计了两种校正损失函数:一种用于最小化正确分割体素之间的距离,另一种用于最大化错误分割体素的熵,从而增强模型对不确定区域的敏感性与修正能力。我们在三个公开的医学图像数据集上进行了实验,包括两个三维数据集(CT与MRI)和一个二维数据集(MRI)。实验结果表明,SDCL在Pancreas、LA和ACDC数据集上的Dice分数分别优于当前最先进(State-of-the-Art, SOTA)方法2.57%、3.04%和2.34%。此外,在ACDC数据集上,本方法的分割精度接近全监督方法;而在Pancreas和LA数据集上,其性能甚至超越了全监督方法。相关代码已开源,地址为:\url{https://github.com/pascalcpp/SDCL}。