摘要

半监督学习在医学图像分割中面临着一个独特的挑战，即如何高效利用有限的标注数据，同时充分利用丰富的未标注数据。尽管已有进展，但现有方法通常未能充分挖掘未标注数据的潜力，以增强模型的鲁棒性和准确性。本文介绍了一种名为CrossMatch的新框架，该框架将知识蒸馏与双扰动策略（图像级和特征级）相结合，以提高模型从标注和未标注数据中学习的能力。CrossMatch使用多个编码器和解码器生成多样化的数据流，这些数据流通过自知识蒸馏来增强在不同扰动下的预测一致性和可靠性。我们的方法在标准基准测试中显著超越了其他最先进技术，有效缩小了在标注数据和未标注数据上训练之间的差距，并提高了医学图像分割中的边缘精度和泛化能力。通过广泛的实验验证，证明了CrossMatch的有效性，其性能显著提升而无需增加计算成本。该实现的代码已发布在https://github.com/AiEson/CrossMatch.git。