【医学半监督】置信度指导遮蔽学习的半监督医学图像分割
摘要：
半监督学习（Semi-supervised learning）旨在利用少数标记数据和多数未标记数据训练出高性能模型。现有方法大多采用预测任务机制，在一致性或伪标签的约束下获得精确的分割图，但该机制通常无法克服确认偏差。针对这一问题，本文提出了一种用于半监督医学图像分割的新型置信度引导遮蔽学习（Confidence-Guided Mask Learning，CGML）。具体来说，在预测任务的基础上，我们进一步引入了带有遮蔽学习的辅助生成任务，旨在重建遮蔽图像，以极大地促进特征表征学习模型的能力。此外，我们还开发了一种置信度引导的遮蔽策略，以增强不确定区域的模型辨别能力。此外，我们还引入了三重一致性损失，以加强对被掩蔽的非标记图像、原始非标记图像和重建的非标记图像的一致性预测，从而产生更可靠的结果。在两个数据集上的广泛实验证明，我们提出的方法取得了显著的性能。
1. Introduction
1.1. Background
基于一致性正则化的半监督分割可视为预测任务的具体扩展，以推断分割图。在半监督学习中，一致性正则化指的是强制模型对无标注数据的预测保持一致。现有的基于一致性的方法大致可分为三类，即图 1(a) 中的数据级一致性、图 1(b) 中的模型级一致性和图 1(c) 中的任务级一致性。有关数据级一致性的研究通常侧重于不同扰动下的预测一致性。此外，模型层面的研究大多是构建双流结构，确保不同模型之间预测的一致性。与模型级一致性不同，任务级一致性通常整合多个任务，确保不同任务的预测一致性。然而，上述方法完全依赖于预测的分割图，这意味着在训练阶段任何次优预测不仅会导致对未标记样本的错误指导，还会扩大确认偏差的负面影响。他们使用的一致性约束限制了模型学习更稳健的表征。为了缓解上述问题，我们提出了一种新的框架，将辅助生成任务纳入半监督学习，如图 1(d)所示。
本文介绍了一种用于医学图像分割的新型半监督学习方法，即置信度引导的遮蔽学习（CGML）。有别于上述主流方法，我们精心设计了一个辅助生成任务，以捕捉更精