A estrutura aluno-professor guiada por auto-treinamento e regularização de consistência para segmentação de imagem médica semi-supervisionada

Devido à alta adequação do aprendizado semi-supervisionado para segmentação de imagem médica, uma infinidade de pesquisas valiosas foi conduzida e alcançou sucesso notável neste campo. No entanto, muitas abordagens tendem a restringir seu foco a uma única estrutura semi-supervisionada, ignorando assim as potenciais melhorias no desempenho da segmentação oferecidas pela integração de várias estruturas. Neste artigo, propomos uma nova estrutura semi-supervisionada chamada Pesudo-Label Mean Teacher (PLMT), que sinergiza o pipeline de auto-treinamento com técnicas de pseudo-rotulagem e regularização de consistência. Em particular, integramos a estrutura aluno-professor com a perda de consistência no pipeline de auto-treinamento para facilitar uma melhoria mutuamente benéfica entre os dois métodos. Esta estrutura não só gera pseudo-rotulagens notavelmente precisas para o pipeline de auto-treinamento, mas também fornece supervisão adicional de pseudo-rotulagens para a estrutura aluno-professor. Além disso, para explorar o impacto de diferentes perdas semi-supervisionadas no desempenho de segmentação da estrutura PLMT, introduzimos pesos de perda adaptativos. O PLMT pode ajustar dinamicamente os pesos das diferentes perdas semi-supervisionadas durante o processo de treinamento. Experimentos de extensão em três conjuntos de dados públicos demonstram que nossa estrutura alcança o melhor desempenho e supera os outros cinco métodos semi-supervisionados. O PLMT é uma exploração inicial da estrutura que funde o pipeline de auto-treinamento com regularização de consistência e oferece uma perspectiva comparativamente inovadora em segmentação de imagem semi-supervisionada.