초록
의료 이미지 분할을 위한 준지도 학습은 제한된 라벨링된 데이터를 효율적으로 활용하면서 많은 양의 비라벨링된 데이터를 활용하는 고유한 도전과제를 제시합니다. 기존 방법들은 비라벨링된 데이터의 잠재력을 최대한 활용하여 모델의 견고성과 정확성을 향상시키는 데 종종 충분하지 않습니다. 본 논문에서는 지식 전달과 이미지 수준 및 특징 수준의 이중 섭동 전략을 통합한 새로운 프레임워크인 CrossMatch를 소개합니다. CrossMatch는 여러 인코더와 디코더를 사용하여 다양한 데이터 스트림을 생성하고, 이를 통해 일관성과 신뢰성을 높이는 자기 지식 전달(self-knowledge distillation)을 수행합니다. 우리의 방법은 라벨링된 데이터와 비라벨링된 데이터 간의 차이를 효과적으로 최소화하고 의료 이미지 분할에서 경계 정확성과 일반화 능력을 개선함으로써 표준 벤치마크에서 다른 최신 기술들을 크게 능가합니다. CrossMatch의 유효성은 광범위한 실험 검증을 통해 입증되었으며, 계산 비용을 증가시키지 않으면서 성능 향상이 눈에 띄게 나타났습니다. 이 구현에 대한 코드는 https://github.com/AiEson/CrossMatch.git 에서 제공됩니다.