基于深度学习的半监督学习(SSL)算法在医学图像分割方面取得了很有前途的结果，并可以通过利用未标记的数据减轻医生昂贵的标注。然而，现有文献中的大多数SSL算法都倾向于通过干扰网络和/或数据来规约模型训练。考虑到多/双任务学习涉及到具有固有的预测扰动的各个级别的信息，我们在这项工作中提出了一个问题:我们能够显式地构建任务级别的正则化，而不是隐式地构建用于SSL的网络和/或数据级别的扰动和转换吗?为了回答这个问题，我们首次提出了一个新的双任务一致性半监督框架。具体地说，我们使用一个双任务深度网络来联合预测一个像素级分割图和一个几何感知的目标集表示。通过可微任务转换层将水平集表示转换为近似分割映射。同时，我们在水平集导出的分割图和直接预测的分割图之间引入了一种双任务一致性正则化，用于标记和未标记数据。在两个公共数据集上的大量实验表明，我们的方法可以通过合并未标记数据极大地提高性能。同时，我们的框架优于最先进的半监督医学图像分割方法。代码可以在https://github.com/Luoxd1996/DTC找到。

https://www.zhuanzhi.ai/paper/3894829f9460acdbb912558656def3f1

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“DTCS” 可以获取《【AAAI2021】基于双任务一致性的半监督医学图像分割》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源