摘要
鉴于医学影像中标注数据的稀缺以及标注成本高昂，半监督学习（SSL）已成为语义分割任务的一种前景广阔的方法。本文提出了一种名为 RAHP 的表征稳定化框架，用于半监督医学图像分割。该框架通过将混合扰动学习与显式中间表征对齐相结合，解决了扰动引起的表征不一致问题。我们的方法采用了一种交叉教学架构，其中两个子网络通过伪标签相互引导，以确保训练的稳定。为了提高不同扰动视图之间的一致性，我们采用了一种混合扰动策略来生成互补的训练视图。我们不仅依赖这些扰动视图之间的预测级一致性，还进一步引入了区域感知补丁对齐损失（RPAL），以在补丁级别上显式对齐空间对应的解码器表征。通过将预测级监督与区域感知表征对齐相结合，RAHP 不仅约束了输出预测，还约束了由不同扰动引起的中间语义表征。在 ACDC、Synapse 和 MMWHS 三个公开数据集上的实验表明，在报告的有限标签设置下，RAHP 相比所评估的半监督方法取得了更优的平均性能。
