通过掩膜图像一致性和差异学习增强半监督医学图像分割

本研究解决了医学图像分割中半监督学习的不足，特别是在信息交流和模型多样性之间的平衡问题。提出的掩膜图像一致性和差异学习（MICD）框架通过三个关键模块有效提升了上下文感知和模型鲁棒性，显著提高了小样本学习的能力。实验结果表明，该方法在AMOS和Synapse等公共医学图像数据集上超越了现有的最先进方法。

本研究提出了掩膜图像一致性和差异学习（MICD）框架，旨在解决医学图像分割中的半监督学习不足，增强上下文感知和模型鲁棒性，显著提升小样本学习能力。实验结果表明，该方法在多个公共数据集上优于现有技术。

MICD 一致性医学图像分割半监督半监督学习小样本学习模型鲁棒性