基于多元扰动均值教师模型的半监督医学图像分割框架

摘要

在半监督医学图像分割领域，一致性正则化理论是广为推崇的。即在训练中对特征图施加不同的扰动，通过一致性正则化约束模型从扰动后的特征中学习到对象的本质特征。其中，扰动形式决定了特征偏移的程度，从而影响了一致性正则化方法的效果。为解决当前扰动形式单一化，扰动后训练稳定性差等问题，提出了一种多元扰动均值教师模型。引入置信度联合监督策略（CJS），保证框架训练的稳定性；利用Beta分布构造了多元扰动选择器（MFPS），可根据不同训练时期的需要进行特征扰动的层次化随机组合，从而实现不同训练阶段扰动组合多样性，增强一致性正则化程度；在师生模型中加入双重注意力模块（DAM），强化模型对边缘信息的感知。在ACDC数据集10%,20%,30%标注条件下DSC分别达到87.75%,89.13%,89.82%，在MMWHS数据集20%,35%,50%标注条件下DSC分别达到83.24%,87.65%,88.96%均优于其他先进半监督方法。实验结果表明，该模型在半监督任务中具有较好的分割精度。

关键词

医学分割 / 半监督学习 / 一致性正则化 / 特征扰动