DiffRect: Latent Diffusion Label Rectification for Semi-supervised Medical Image Segmentation

半监督医学图像分割旨在利用有限的注释数据和丰富的未标记数据执行准确的分割。然而，现有的半监督方法高度依赖于自动生成的伪标签的质量，这些伪标签容易出现不正确的监督和确认偏差。同时，它们在捕捉潜在空间中的标签分布方面不足，并且在对未标记数据的泛化能力方面存在限制。为了解决这些问题，我们提出了一种基于潜在扩散标签修正模型（DiffRect）的半监督医学图像分割方法。DiffRect首先利用标签上下文校准模块（LCC）通过学习伪标签中类别之间的相关性来校准类别之间的偏差关系，然后在潜在空间中应用潜在特征校正模块（LFR）来通过潜在扩散来规范和对齐不同级别的伪标签分布。它利用去噪网络学习粗到精和精到精确的连续分布传输。我们在三个公共数据集上评估了DiffRect：ACDC，MS-CMRSEG 2019和Decathlon Prostate。实验结果表明DiffRect的有效性，例如，它在只有1％的标记扫描可用的ACDC上实现了82.40％的Dice分数，比先前的最新技术水平高出4.60％的Dice分数，甚至可以与完全监督的性能相媲美。代码发布在\url{https://github.com/CUHK-AIM-Group/DiffRect}。

本论文旨在解决半监督医学图像分割中存在的问题，例如生成的伪标签质量不高、标签分布不准确等问题，以及对未标记数据的泛化能力不足等问题。

本文提出了一种名为DiffRect的方法，通过使用标签上下文校准模块（LCC）来校准伪标签中的类别关系，然后在潜在空间上应用潜在特征校准模块（LFR）来通过潜在扩散来规范和对齐不同级别的伪标签分布，从而提高半监督医学图像分割的准确性。

DiffRect在三个公共数据集上进行了评估，表明其有效性。它在只有1％标记扫描可用的ACDC数据集上实现了82.40％的Dice分数，并在Dice上优于之前的最新技术水平4.60％，甚至与完全监督的性能相当。此外，该论文还开源了代码。

最近在该领域中，还有一些相关研究，例如：1）Semi-Supervised Learning with Deep Generative Models，2）Semi-Supervised Learning with GANs using Manifold Invariances，3）Semi-Supervised Learning with Curriculum GANs，等等。