S&D Messenger: Exchanging Semantic and Domain Knowledge for Generic Semi-Supervised Medical Image Segmentation

半监督医学图像分割（SSMIS）已经成为解决医学领域手动标注耗时挑战的一种有前途的解决方案。然而，在实际情况下，数据集内部往往存在领域变化，导致衍生出半监督医学领域泛化（Semi-MDG）和无监督医学领域适应（UMDA）等场景。本文旨在开发一个通用框架，掌握所有三个任务。我们注意到三种情况下存在一个关键共同挑战：用于分割性能的显式语义知识和用于泛化能力的丰富领域知识分别存在于标记集和未标记集中。这种差异妨碍了现有方法在半监督设置下有效理解两种类型的知识。为了解决这个问题，我们开发了一个语义与领域知识信使（S&D Messenger），它促进了标记集和未标记集之间的直接知识传递，从而允许模型在每个单独的学习流中理解它们两个。配备我们的S&D Messenger，一个朴素的伪标签方法可以在六个基准数据集上实现巨大的改进，用于SSMIS（+7.5％），UMDA（+5.6％）和Semi-MDG任务（+1.14％），与为特定任务设计的最先进的方法相比。

论文旨在开发一个通用框架，以解决半监督医学图像分割（SSMIS）、半监督医学领域泛化（Semi-MDG）和无监督医学领域自适应（UMDA）等三种任务中存在的领域变化和标签不足的问题。

通过开发语义和领域知识传递机制（S&D Messenger），将标签集和未标签集之间的知识传递，使模型能够在每个单独的学习流程中理解两种类型的知识，从而在半监督设置下有效地理解两种类型的知识。

通过使用S&D Messenger，Naive Pseudo-Labeling方法在六个基准数据集上取得了巨大的改进（分别为SSMIS (+7.5％)，UMDA (+5.6％)和Semi-MDG任务（+1.14％）），相比于针对特定任务设计的最先进的方法。

最近在这个领域中，还有一些相关的研究，如《Domain Generalization for Medical Imaging Segmentation with Category-Specific Feature Decomposition》和《Unsupervised Domain Adaptation for Medical Image Segmentation with Prior Knowledge》。