代码：https://github.com/Luoxd1996/DTC 论文下载链接: https://arxiv.org/abs/2009.04448

表现SOTA！性能优于CCT (CVPR 2020)、SASSNet (MICCAI 2020）等网络，代码刚刚开源！

基于深度学习的半监督学习（SSL）算法已在医学图像分割中带来了不错的成果，并且可以通过利用未标记的数据来减轻医生的昂贵注释。但是，文献中大多数现有的SSL算法都倾向于通过干扰网络和/或数据来规范化模型训练。观察到多/双任务学习涉及具有固有预测扰动的各种级别的信息，我们在这项工作中提出一个问题：我们可以显式地构建任务级正则化，而不是隐式构造网络级和/或数据级扰动-和转换SSL？

为了回答这个问题，我们首次提出了一种新颖的双任务一致性半监督框架。具体来说，我们使用双任务深度网络来共同预测目标的像素级分割图和可感知几何的水平集表示。通过可区分的任务转换层将级别集表示形式转换为近似的分割图。同时，我们在针对标记和未标记数据的水平集衍生的分割图和直接预测的分割图之间引入了双任务一致性正则化。对两个公共数据集的大量实验表明，我们的方法可以通过合并未标记的数据来大大提高性能。同时，我们的框架优于最新的半监督医学图像分割方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除