💡
原文中文，约2700字，阅读约需7分钟。
📝
内容提要
研究人员提出了一种名为TraCoCo的半监督学习方法，通过调整输入数据的空间上下文，帮助模型从前景对象中学习分割模式。该方法结合了新的Confident Regional Cross-Entropy损失，显著提升了训练效果，并在多个3D医学图像分割基准上取得了优异成绩，验证了其有效性。
🎯
关键要点
- 3D医学图像分割方法依赖大量体素级标注数据，获取成本高。
- 半监督学习（SSL）结合大量未标注数据和少量标注数据，减少对标注数据的需求。
- 成功的SSL方法基于一致性学习，通过最小化不同扰动视图下的模型响应差异实现一致性。
- TraCoCo是一种新的SSL方法，通过改变输入数据视图的空间上下文，使模型从前景对象中学习分割模式。
- TraCoCo引入了新的Confident Regional Cross-Entropy（CRC）损失，提高训练收敛性，增强对伪标签错误的鲁棒性。
- TraCoCo在多个3D医学图像分割基准上取得了最先进的结果，包括左心房、胰腺CT和脑肿瘤分割。
- TraCoCo采用互助学习框架，通过翻译一致性扰动输入数据，确保模型专注于前景对象的分割。
- 模型目标是通过多种损失函数确保不同空间上下文下的前景分割结果一致。
- 实验在四个公开的3D医学图像半监督分割数据集上进行，TraCoCo在标注数据较少的情况下表现优异。
- 未来计划扩展TraCoCo到更多复杂的医学图像任务，并探索其在多模态医学图像中的半监督学习能力。
➡️
