Correlation-Aware Mutual Learning for Semi-supervised Medical Image Segmentation

解决问题：该论文旨在解决医学图像分割中的半监督学习问题，即如何利用标记数据进一步提高模型的性能。在此基础上，论文提出了一种新的相互学习框架，旨在引导从未标记的数据中提取信息。

关键思路：该论文的关键思路是Correlation Aware Mutual Learning (CAML)框架，该框架包含两个模块：Cross-sample Mutual Attention Module (CMA)和Omni-Correlation Consistency Module (OCC)。CMA模块建立了一组样本之间的密集交叉相关性，使得标签先验知识可以传递到未标记的数据中。OCC模块在未标记和标记数据集之间构建全局相关性，并通过限制每个子模型的全局相关矩阵保持一致来规范化双模型。相对于当前领域的研究，该框架的新颖之处在于它充分利用了标记数据以提高模型性能。

其他亮点：该论文的实验使用了Atrial Segmentation Challenge数据集，并表明该方法优于现有的半监督分割方法。此外，论文提供了代码、预先训练的权重和数据集，这为后续的研究提供了便利。这项工作值得进一步研究，以探索如何将该框架应用于其他医学图像分割任务。

关于作者：论文的主要作者是Shengbo Gao、Ziji Zhang、Jiechao Ma、Zihao Li和Shu Zhang。他们来自中国科学院自动化研究所和北京大学。他们以前的代表作包括《A Dual-Path Model with Adaptive Attention for Vehicle Re-Identification》和《Learning to Segment Medical Images with Scribble Annotations》等。

相关研究：近期其他相关的研究包括《Semi-Supervised Medical Image Segmentation with Collaborative Learning between Pseudo Labels and Anatomical Prior Knowledge》（作者：Xiaodan Liang等，机构：南京大学）、《Semi-Supervised Learning for Medical Image Segmentation using Incomplete Annotations》（作者：Yan Wang等，机构：香港中文大学）等。

论文摘要：本文介绍了一种新型的“相关感知互相学习(Correlation Aware Mutual Learning，CAML)”框架，旨在利用有标签数据指导从无标签数据中提取信息。该方法基于互相学习策略，包括两个模块：交叉样本互相注意模块(Cross-sample Mutual Attention Module，CMA)和全方位相关一致性模块(Omni-Correlation Consistency Module，OCC)。CMA模块建立了一组样本之间的密集交叉相关性，使标签先验知识能够传递到无标签数据中。OCC模块构建了无标签和有标签数据集之间的全方位相关性，并通过限制每个子模型的全方位相关矩阵保持一致，规范了双模型。在房颤分割挑战数据集上的实验表明，我们提出的方法优于现有的最先进方法，突显了我们的框架在医学图像分割任务中的有效性。代码、预训练权重和数据均可公开获取。

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