Mutual Consistency Learning for Semi-supervised Medical Image Segmentation

摘要

1. 提出了一种新的互一致性网络(MC-Net+)来有效地利用未标记数据进行半监督医学图像分割。
2. MC-Net+模型的动机是观察到用有限注释训练的深度模型容易在医学图像分割的模糊区域(例如粘附边缘或细分支)输出高度不确定和容易误分类的预测。
3. 该模型包含一个共享编码器和多个略有不同的解码器(即使用不同的上采样策略)。
4. 计算多个解码器输出的统计差异来表示模型的不确定性，即未标记的硬区域。
5. 其次，我们在一个解码器的概率输出和其他解码器的软伪标签之间应用了一种新的相互一致性约束。
   通过这种方式，我们在训练过程中最小化多个输出的差异(即模型的不确定性)，并迫使模型在这些具有挑战性的区域产生不变的结果，旨在正则化模型的训练。我们将MC-Net+模型与五种最先进的半监督方法在三个公共医疗数据集上的分割结果进行了比较。两个标准半监督设置的扩展实验证明了我们的模型优于其他方法的性能，这为半监督医学图像分割开辟了新的境界。
   代码地址
   

本文方法

提出的MC-Net+模型示意图，其中一个解码器的概率输出与其他解码器的软伪标签之间应用了相互一致性约束。请注意，本文中有三种略有不同的解码器。
代码解读：

首先整体为三个解码器，一个编码器

三个解码器采用不同的采样策略

带标签得采用交叉熵和dice损失

生成的标签除自身外做一个一致性损失，其中，ori为解码器生成后经过softmax的，伪为经过锐化的标签，这里的一致性损失为均方差损失，权重随着迭代次数变化

锐化操作是一种修改概率分布的方法，它可以增加高置信度事件的概率，降低低置信度事件的概率。锐化程度由温度参数 T 控制，较高的温度会导致较少的锐化，而较低的温度会导致较多的锐化。
在 sharpening 函数的实现中，首先将输入概率分布 P 的每个元素都取 T 次方。这样做可以放大概率之间的差异，使得分布更加尖峰。然后，将结果归一化，即将 T 次方的概率和补集 T 次方的概率相加，再将每个元素除以这个和，确保得到的分布仍然总和为 1。

实验结果