文章目录
- Multi-modal contrastive mutual learning and pseudo-label re-learning for semi-supervised medical image segmentation
- 摘要
- 本文方法
- 实验结果
- 总结
Multi-modal contrastive mutual learning and pseudo-label re-learning for semi-supervised medical image segmentation
摘要
- 多模态半监督模型
- 提出一种新的对比损失函数最小化两种图像模态的差异
- 伪标签再学习解决不同模态之间存在的预测效果差异
- 将高性能模态的模型用作具有更高置信度的教师模型
- 在推理阶段仅使用一种模态进行分割
本文方法
无监督损失函数
伪标签再学习策略
- EMA加权模型和贝叶斯近似的dropout
- HP：表现最好的模型
- BMP：动态存储表现最好的模型
实验结果
总结
- 利用损失函数减少模态之间的异质性
- 利用mean-teacher模型减少预测的输入模态
- 利用伪标签再学习方法提升鲁棒性
- 利用BMA参数更新提升模型准确性
