用于 3D 医学分割的置信感知师生蒸馏

医学图像分割模型通常依赖于大量密集注释的体积数据，限制了它们跨任务和成像模式的可扩展性。这项工作解决了从极端注释稀疏性预测整个 3D 解剖结构的挑战。提出了一种用于自动 3D 医学分割的高效注释学生教师框架，该框架仅需要每个体积的单个 2D 切片上的一组点提示作为输入。基础模型充当离线教师，在学生训练之前利用从所选切片提供的点提示进行全卷伪注释以及相应的空间置信度得分。为了减轻噪声伪注释的错误传播，使用置信感知优化策略来训练特定于任务的 3D 学生网络。通过利用教师预先计算的置信度分数，该策略明确从损失计算中排除伪注释的静态不确定区域，同时强调具有较高置信度的区域。在 3D 心脏 MRI 数据集上进行评估，我们的框架优于最先进的半监督方法，将分割性能提高高达 43.6%。此外，它大大减少了手动注释负担，每卷仅提供几个正点提示，同时将表面边界精度比教师提高了 14.7%，并成功地将性能差距恢复到完全监督上限的 34.1%。