半监督方法：不确定性感知自增强模型（MICCAI 2019）[github代码]

今天分享一篇发表在MICCAI 2019上的论文：Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation (原文链接：[1]，代码链接：[2])。

1 研究背景

训练深度卷积神经网络通常需要大量的标签数据，然而对于医学影像分割任务，大量数据的标注成本很高，因此考虑怎么同时利用好仅有的标签数据和无标签数据（半监督方法）在医学影像处理中是非常重要的。这篇文章针对3D MR图像的左心房分割任务提出了不确定性感知自增强模型，能够更有效地利用无标签数据从而获得更好的性能。

2 方法

2.1 整体流程

如上图（Fig.1）所示，对于有标签数据，学生模型 (student model)进行有监督学习。对于无标签数据，通过教师模型 (teacher model)预测分割图，作为学生模型 (student model)的学习目标，并同时评估学习目标的不确定性。基于学习目标的不确定性，采用一致性损失函数提高学生模型的性能。

2.2 半监督分割 (Semi-supervised segmentation)

2.3 不确定性感知 (Uncertainty-Aware Mean Teacher Framework)

2.3.1 不确定性评估 (Uncertainty Estimation)

2.3.2 基于不确定性的一致性损失函数 (Uncertainty-Aware Consistency Loss)

3 实验结果

这里我只给出论文中的部分实验结果，具体的实验结果分析以及实验和参数的设置请看原文。

[1] https://arxiv.org/pdf/1907.07034

[2] https://github.com/yulequan/UA-MT

[3] Laine, S., Aila, T.: Temporal ensembling for semi-supervised learning. arXiv preprint (2016)

[4] Tarvainen, A., Valpola, H.: Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results. In: NIPS (2017)