Apprentissage de la Consistance de Prototypes Mixtes pour la Segmentation d'Images Médicales Semi-supervisée

Récemment, l'apprentissage de prototypes a émergé dans la segmentation d'images médicales semi-supervisée et a obtenu des performances remarquables. Cependant, la rareté des données étiquetées limite l'expressivité des prototypes dans les méthodes précédentes, pouvant entraver la représentation complète des prototypes pour l'encodage de classe. Pour résoudre ce problème, nous proposons le cadre d'Apprentissage de la Consistance de Prototypes Mixtes (MPCL), qui inclut un Enseignant Moyen et un réseau auxiliaire. L'Enseignant Moyen génère des prototypes pour les données étiquetées et non étiquetées, tandis que le réseau auxiliaire produit des prototypes supplémentaires pour les données mixtes traitées par CutMix. Grâce à la fusion de prototypes, les prototypes mixtes fournissent des informations sémantiques supplémentaires tant aux prototypes étiquetés qu'aux prototypes non étiquetés. Des prototypes globaux de haute qualité pour chaque classe sont formés en fusionnant deux prototypes améliorés, optimisant la distribution des embeddings cachés utilisés dans l'apprentissage de consistance. Des expériences approfondies sur les ensembles de données de l'oreillette gauche et de la dissection aortique de type B démontrent la supériorité de MPCL par rapport aux approches d'état de l'art précédentes, confirmant l'efficacité de notre cadre. Le code sera bientôt publié.