均值教师方法在半监督医学图像分割中的应用

摘要

医学图像分割是临床诊疗的重要技术基础，精准的医学图像分割有助于提升疾病诊断准确率与效率.深度学习方法在该领域取得了显著进展，然而，这类方法高度依赖人工标签数据，而高质量分割标签获取成本高，限制了其实际应用.半监督学习通过联合利用少量标签数据与大量无标签数据，有效缓解了标签匮乏问题.其中，均值教师（mean teacher,MT）是当前主流的半监督学习方法，其通过指数移动平均从无标签数据提取信息，提升模型精度与泛化性能，目前已被广泛应用于医学图像分割.本文对MT进行了深入综述，重点从一致性正则化、不确定性、注意力机制、多任务学习、辅助校正及模型变体等方面介绍其在医学图像分割领域的应用和改进.本文简要分析了MT方法的应用和改进趋势，罗列了医学图像分割中常见对比实验方法、数据集、MT骨干网络和评价指标.最后，讨论了MT在医学图像分割中面对的挑战和未来潜在的研究方向.

关键词

均值教师 / 医学图像分割 / 深度学习 / 半监督学习 / 一致性正则化