Constructing and Exploring Intermediate Domains in Mixed Domain Semi-supervised Medical Image Segmentation

在医学图像分割中，有限注释和领域偏移是普遍存在的挑战。传统的半监督分割和无监督领域自适应方法分别解决了其中的一个问题。然而，有限注释和领域偏移的共存是非常常见的，这促使我们引入一个新的且具有挑战性的场景：混合领域半监督医学图像分割（MiDSS）。在这种情况下，我们处理来自多个医疗中心的数据，对于单个领域只有有限的注释，而来自多个领域的大量未标记数据。我们发现解决问题的关键在于如何在存在标记数据的领域中生成可靠的伪标签来处理未标记数据的领域偏移。为了解决这个问题，我们采用了图像之间的统一复制粘贴（UCP）来构建中间领域，从而促进了从标记数据领域到未标记数据领域的知识转移。为了充分利用中间领域内的信息，我们提出了对称指导训练策略（SymGD），它通过合并中间样本的伪标签，为未标记数据提供直接指导。随后，我们引入了一个训练过程感知的随机振幅混合（TP-RAM），逐步将样式转换组件纳入中间样本。与现有的最先进方法相比，我们的方法在前列腺数据集上的Dice分数实现了显着的13.57%的改进，并在三个公共数据集上进行了演示。我们的代码可在https://github.com/MQinghe/MiDSS找到。

本文旨在解决医学图像分割中存在的有限注释和域偏移共存的问题，提出了一个新的挑战性场景：混合域半监督医学图像分割（MiDSS）。

本文提出了一种解决MiDSS问题的方法，即利用统一的复制-粘贴（UCP）技术构建中间域，从有标记数据的域向无标记数据的域进行知识转移，同时采用对称指导训练策略（SymGD）和训练过程感知随机振幅混合（TP-RAM）技术，以生成可靠的伪标签。

本文在三个公共数据集上进行了实验，并与现有的最先进方法进行了比较，结果表明本文的方法在前列腺数据集上的Dice分数有13.57%的显著提高。此外，本文还提供了开源代码。

在最近的相关研究中，还有许多使用半监督学习和领域自适应方法解决医学图像分割问题的论文，例如“Semi-supervised Learning for Medical Image Segmentation via Teacher-Student Paradigm”和“Unsupervised Domain Adaptation for Medical Image Segmentation with Self-Ensembling”。