基于混合图像与不确定性感知协同学习的半监督医学图像分割方法研究

本文提出一种不确定性感知协同学习框架（Uncertainty-Aware Collaborative Learning with Mixed Images），通过混合原型不确定性估计（MPUE）模块降低伪标签噪声干扰，并结合扰动与非扰动图像协同学习（CLMI）提升模型泛化能力。该研究在ACDC和PROMISE12数据集上取得显著性能提升（Dice分数达89.97%和81.20%），为半监督医学图像分割（SSMIS）提供了创新性解决方案。

　　

亮点

• •
  提出一种名为"基于混合图像的不确定性感知协同学习"（Uncertainty-Aware Collaborative Learning with Mixed Images）的新型框架，通过同时学习扰动和非扰动图像促进半监督医学图像分割（SSMIS）。该框架通过增加扰动类型提升模型对未知图像的泛化能力，并利用伪标签不确定性估计和几何轮廓信息充分学习非扰动图像。
• •
  为减少伪标签中噪声的干扰，提出混合原型引导的不确定性估计（Mixed Prototype guided Uncertainty Estimation, MPUE）模块。该模块结合原型学习（prototype learning），利用标注和未标注图像中的特征来估计伪标签的不确定性。
• •
  为提升多类型扰动下的训练质量，提出混合图像协同学习（Collaborative Learning with Mixed Images, CLMI）。CLMI通过增加图像级扰动提升模型泛化能力，同时强调非扰动图像的学习以防止对扰动图像不可靠预测的过拟合。
• •
  在ACDC和PROMISE12数据集上进行了广泛实验，证明了所提出方法具有最先进的性能。对比和消融实验揭示了每个提出模块的有效性。

方法

对于SSMIS任务，数据集D = {D_l, D_u}由标注数据集D_l和未标注数据集D_u组成。标注数据集D_l = {X^l_i, Y^l_i}, i ∈ [1, N_L]，其中X^l_i ∈ R^H×W×D表示标注图像，Y^l_i ∈ B^C×H×W×D表示对应标签。未标注数据集D_u = {X^u_i}, i ∈ [1, N_U]，且N_U ? N_L，其中X^u_i ∈ R^H×W×D表示未标注图像。为简便起见，下文省略i。我们的主要目标是同时利用D_l和D_u进行模型训练以提升性能。

结论

本研究中，我们提出了一种名为"基于混合图像的不确定性感知协同学习"的新型框架用于SSMIS。提出的MPUE结合原型学习来估计伪标签的不确定性，从而减少伪标签中噪声的干扰。此外，提出的CLMI同时从扰动和非扰动图像中学习，以增强模型对未知数据的泛化能力并提升训练质量。在ACDC和PROMISE12数据集上的实验结果表明了该框架的有效性。