摘要

深度学习模型的训练通常需要大量标注数据以实现有效的收敛和泛化。然而，获取高质量的标注数据是一项耗时且昂贵的过程，因为这需要专家放射科医生来完成标注任务。因此，在医学图像分析中研究半监督学习具有至关重要的意义，因为获取未标注图像的成本远低于由专家放射科医生标注的图像。半监督方法的核心在于利用大量的未标注数据，从而在训练过程中实现比仅使用少量标注图像更好的收敛性和泛化能力。本文提出了一种自监督均值教师半监督（Self-supervised Mean Teacher for Semi-supervised, S$^2$MTS$^2$）学习方法，该方法结合了自监督均值教师预训练和半监督微调。S$^2$MTS$^2$的主要创新点在于基于联合对比学习的自监督均值教师预训练，这种方法通过使用无限数量的正查询和键特征对来改进均值教师表示。随后，模型使用指数移动平均教师框架进行微调，该框架是在半监督学习下训练的。我们在Chest X-ray14和CheXpert的多标签分类问题以及ISIC2018的多类别分类问题上验证了S$^2$MTS$^2$方法，并展示了其性能显著优于之前的半监督学习最先进方法。