摘要
医学图像分割是智能辅助诊疗技术的关键组成部分，深度神经网络的出现为其带来极大的改进。然而，由于在临床实践中医学图像数据的特性，基于深度学习的模型常需要大量的人工注释，但可用的标记数量严重稀缺，难以利用深度架构的数据驱动机制来建立准确可靠的模型。此外，由于组织生理学差异、器官运动的影响，以及影像采集时设备参数、规范各异等原因，导致学习模型的泛化能力难以持续提升，其易用性受到限制。为解决上述问题，本论文提出基于半监督学习的医学图像分割方法以解决上述问题: 1.医学图像半监督分割任务主要依赖于均值教师(Mean Teacher,MT)模型。然而，现有的MT模型仍有一定的局限性。首先，其通常在训练数据中添加各种类型的扰动，通过一致性训练获得额外的泛化能力。但是，如果扰动太弱，它可能会导致懒惰的学生现象，并给学习模型带来较大的波动。相反，较大的图像扰动可能会扩大教师和学生之间的表现差距，拖累模型的整体表现。为解决上述问题提出基于交叉混合机制的教师-组长-学生的半监督分割框架，这是一种异步混合学习和特征转移机制，使教师能够引导学生作为一个更可信的来源，并利用交叉混合的未标记样本以提供额外的数据灵活性，从而有效地避免懒惰学生现象。通过传递式组长结构，作为桥梁连接教师和学生进行主动知识蒸馏，有效缓解师生语义差距造成的一致性优化失效，从而构建一种更稳健的自监督替代增强机制。 2.由于医学图像数据私密特性，导致大多数医学分析算法无法对抗领域扰动，跨中心泛化能力表现差。为解决该问题，提出基于解纠缠扰动建模特征的领域泛化半监督分割方法，这是一种对抗特征增强与扰动识别架构，通过特征增强机制，建模领域偏移的不确定性，丰富嵌入空间的特征多样性从而提升分割网络的鲁棒性。得益于特征主成分白化的敏感扰动识别机制，可以有效判别特征通道的纠缠耦合关系，从而为网络构建更稳健的自主特征筛选机制，以执行特征干扰和扰动识别相互博弈。构建任务相关领域知识记忆库，通过优秀表征锚点定位方法，执行均衡的对比学习，避免正负样本不均衡带来的梯度学习偏差。该设计不但提高编码器对抗领域扰动的鲁棒性，而且通过扰动识别机制判别特征通道纠缠关系，以提高域外泛化性。最后，通过大量的实验，证明该方法对半监督领域泛化的鲁棒性，并提高对不同领域之间的共同分布转移，且均取得较优效果。
NETL