74、UPCoL：用于半监督医学图像分割的不确定性感知原型一致性学习

UPCoL：用于半监督医学图像分割的不确定性感知原型一致性学习

1. 引言

医学图像分割领域越来越关注半监督学习（SSL），因为数据标注难度大且成本高。SSL 通过利用有标签和无标签数据，能显著减少对有标签训练数据的需求，并解决观察者间的差异。

典型的 SSL 方法包括自训练、不确定性估计和一致性正则化等技术：
- 自训练 ：通过从无标签数据中选择最有信心的预测来扩充有标签训练集。
- 不确定性估计 ：用于获取高质量的伪标签，减少模糊无标签数据的影响，常见方法有蒙特卡罗丢弃法和基于集成的方法。信息熵是最广泛使用的量化不确定性的指标。
- 一致性正则化 ：在损失函数中添加一致性约束，例如 UA - MT 和 CoraNet 在师生模型的特定区域施加一致性约束。

然而，当前的伪标签和一致性约束方法存在局限性：
- 难以定义适用于各种任务的可靠性量化标准。
- 大多数一致性约束是在决策空间中施加的，未充分利用无标签数据的潜在特征空间。

近年来，原型对齐被引入 SSL 中。基于原型的方法有潜力捕捉包括无标签信息在内的底层数据结构，并优化不同类别特征嵌入的分布。但现有的基于原型学习的半监督分割方法存在不足，可能无法充分代表嵌入空间的分布。

为解决这些问题，我们提出了 UPCoL 框架，通过不确定性感知的注意力池化学习融合原型，其主要贡献如下：
1. 开发了一种新颖的不确定性感知原型一致性学习框架 UPCoL，同时考虑潜在特征空间（原型）和决策空间的体素级一致性。
2.