【医学图像分割】Semi-Supervised Brain Lesion Segmentation with an Adapted Mean Teacher Model-优快云博客

本文探讨了在医学图像分割中利用半监督学习解决数据不足和过拟合问题，特别是采用Mean Teacher Network结合指数移动平均(EMA)防止过拟合，实现了状态-of-the-art的表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这是一篇 2019 IPMI 使用半监督学习进行医学图像分割的文章，文章的主要思想就是使用 Mean Teacher Network 和 Student network 进行学习，然后提高性能，主要的贡献在于提出了一个一致性损失去利用未标记的数据。

摘要：

说明医学图像分割领域的现状，数据量不足以训练大的网络，训练过程中容易出现过拟合，标记数据费事费力费钱，所以作者想到了用半监督学习的方法去利用大量的未标注的数据，MT (Mean Teacher Model) 是一种半监督学习中常用的方法，作者就拿来用了一下。另外还加入了 EMA （指数移动平均），这也是一种在防止过拟合上 work 的不错的方法，可见为了防止过拟合煞费苦心。最后得到了 state-of-the-art.

主要工作：

使用半监督学习利用了大量的未标注的数据
使用 EMA 进行指数平均，防止过拟合

Mean Teacher Network

就是使用一个 Teacher and Student Network 去一起学习， Teacher network 和 Student Network 使用相同的架构。如下图所示。
在这里插入图片描述

参照 Mean teachers are better role models: Weight-averaged
consistency targets improve semi-supervised deep learning results 中的 Teacher model and student model 两种模型，基于假设 - 一张图片加入轻微的噪声在高层的时候保持一致性文章中是这么说的：
CNN models should favor