ACT: Semi-supervised Domain-Adaptive Medical Image Segmentation with Asymmetric Co-training

摘要

作者建议以统一的方式利用标记的源域和目标域数据，以及未标记的目标数据

1. 提出了一种新的非对称协同训练（ACT）框架来集成这些子集，避免源域数据的支配。
2. 将SSDA中的标签监督解耦为两个非对称子任务，包括半监督学习（SSL）和UDA，并利用来自两个分割器的不同知识来考虑源标签监督和目标标签监督之间的区别。
3. 然后，通过基于置信度感知伪标签迭代地相互教学，将在两个模块中学习的知识自适应地与ACT集成。此外，伪标签噪声通过指数MixUp衰减方案得到了很好的控制，以实现平滑传播。

本文方法

我们配置了一个跨域UDA分割器φ和一个目标域SSL分割器θ，它们的共同目标是在Dut中实现良好的分割性能。然后将从两个分割器学习到的知识与ACT进行集成。

较低的softmax预测概率表示训练的置信度较低。然后，将所选伪标签集中的像素与标记数据合并，以分别构造{Ds，Uθ}和{Dlt，Uφ}，用于训练具有常规监督分割损失的φ和θ。因此，具有不对称任务的两个分割器充当彼此的老师和学生，以高度自信的预测提取知识。

---

通过将Ds或Dlt与伪标记的Dut混合来逐渐利用伪标记，并使用EMD方案调整它们的比例。对于切片数为|Uφ|和|Uθ|的所选Uφ和Uθ，我们将每个伪标记图像与来自Ds或Dlt的所有图像混合，以形成混合的伪标记集Uθ~和Uφ-。具体而言，我们的EMD可以公式化为：

我感觉就是不断的迭代更新伪标签的得到更为准确的结果

实验结果

分析了我们基于ACT的SSDA对整个肿瘤的分割任务：
（a） 两个、只有一个或没有一个分割器对
（b）不同数量的标记目标域训练对象的性能改进具有高置信度的测试像素的比例
（c）改变不同比例的敏感性研究。