The Devil is in the Statistics: Mitigating and Exploiting Statistics Difference for Generalizable Semi-supervised Medical Image Segmentation

尽管在医学影像分割领域，域泛化技术已经取得了一定的成功，但是对于所有源域进行体素级注释仍然是一个巨大的负担。最近，半监督域泛化技术被提出来解决这个问题，该技术利用来自多个医疗机构的大量未标记数据以及有限的标记数据，依靠精确利用未标记数据来同时提高泛化能力。在本文中，我们观察到医疗机构之间的域偏移会导致不同的特征统计数据，这会显著降低伪标签的质量，因为其归一化过程不可预期。然而，这种现象可以被利用来促进未见过的域泛化。因此，我们提出了1）多个统计信息分支来减轻域偏移的影响，以获得可靠的伪标签；2）一个统计信息聚合分支用于域不变特征学习。此外，为了模拟具有统计差异的未见过的域，我们从两个方面入手，即在图像级别上进行直方图匹配的扰动和在特征级别上进行随机批量归一化选择策略，产生多样的统计数据以扩展训练分布。在三个医学影像数据集上的评估结果表明，我们的方法相对于最近的SOTA方法具有更好的效果。代码可在https://github.com/qiumuyang/SIAB上获得。

论文旨在解决医学图像分割中的半监督域泛化问题，通过利用有限标注数据和来自多个医疗机构的大量未标注数据进行半监督域泛化，以应对所有源域的体素级注释的巨大负担。

论文提出了多统计单独分支来减轻域漂移对可靠伪标签的影响，并提出了一个统计聚合分支用于域不变特征学习。同时，通过直方图匹配的扰动和特征级别的随机批量归一化选择策略，产生多样的统计数据以扩展训练分布，从两个方面模拟具有统计差异的未见域。

论文的实验结果表明，与最近的SOTA方法相比，该方法在三个医学图像数据集上的效果显著。论文提供了开源代码 https://github.com/qiumuyang/SIAB。

最近在这个领域中，还有一些相关的研究，如：1）Domain generalization in medical imaging; 2）Semi-supervised domain adaptation for medical image segmentation; 3）Semi-supervised domain adaptation via minimax entropy; 4）Unsupervised domain adaptation for medical image segmentation with mean teacher and student networks。