23、医学图像半监督分割方法：MLB - Seg与ACTION++

医学图像半监督分割方法：MLB - Seg与ACTION++

在医学图像分割领域，半监督学习方法正发挥着越来越重要的作用。本文将介绍两种创新的半监督医学图像分割方法：MLB - Seg和ACTION++，探讨它们的原理、实验结果以及优势。

1. MLB - Seg方法详解

1.1 基于一致性的伪标签增强（PLE）

为了生成更可靠的伪标签，提出了基于一致性的伪标签增强（PLE）方案。具体操作步骤如下：
1. 对同一输入图像进行Q次增强操作。
2. 通过对Q个增强版本和原始输入的输出进行平均来增强伪标签，公式如下：
[
\hat{y} p^j = \arg\max {c = 1,\cdots,C} \frac{1}{Q + 1} \left( \sum_{q = 1}^{Q} \tau_q^{-1} \left( f(\tilde{x} {nq}^j; \theta) \right) + f(\tilde{x} {n0}^j; \theta) \right)
]
其中，(f(\tilde{x} {nq}^j; \theta)) 是第q个增强样本的输出，(f(\tilde{x} {n0}^{N + j}; \theta)) 是原始输入的输出，(\tau_q^{-1}) 表示第q个增强样本的相应逆变换。
3. 为了进一步提高所有增强样本和原始输入之间的输出一致性，引入额外的一致性损失 (L_{Aug}^c) 到学习目标中，公式如下：
[
L_{Aug}^c(\tilde{x} n^j) = \frac{2}{(Q + 1