Multi-Consistency Training for Semi-Supervised Medical Image Segmentation

用于半监督医学图像分割的多一致性训练

吴昌学，章闻曦，韩佼志，王红雨

（上海交通大学 仪器科学与工程系，上海200240）

摘要：医学图像分割是临床应用中的一项重要任务。然而，获得医学图像的标记数据通常具有挑战性。这就提高了半监督学习（SSL）的吸引力。半监督学习是一种只需要少量标记数据的技术。尽管如此，大多数流行的医学图像SSL分割方法要么依赖于单一的一致性训练方法，要么直接微调为自然图像设计的SSL方法。本文提出了一种创新的半监督方法，称为多一致性训练（MCT），用于医学图像分割。我们的方法超越了现有方法的限制，从两个角度考虑一致性：不同上采样方法的输出一致性，以及对中间特征的各种扰动下，同一网络相同数据的输出一致性。为这两种类型的一致性，设计了不同的半监督损失函数。为了增强MCT模型的应用，还开发了一个专用解码器作为神经网络的核心。在息肉数据集和牙科数据集上进行了彻底的实验，并与其他SSL方法进行了严格的比较。实验结果证明了该方法的优越性，实现了更高的分割精度。此外，全面的消融研究和深入的讨论证实了我们的方法在处理复杂的医学图像分割方面的有效性。

关键词：半监督学习，一致性训练，医学图像分割，中间特征扰动 

点击分享码全文pdf浏览：https://rdcu.be/dVK9b

Wu, C., Zhang, W., Han, J. et al. Multi-Consistency Training for Semi-Supervised Medical Image Segmentation. J. Shanghai Jiaotong Univ. (Sci.) (2024). https://doi.org/10.1007/s12204-024-2733-0  

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204