自监督论文阅读系列：TMI20 基于样本相似度的半监督学习用于医学图像分类

论文题目：Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model。

 任务： 更好地利用半监督学习提升图像分类性能

核心思想如下图 1 所示：传统的半监督学习只保证了单个样本扰动后分类网络输出标签一致性，本文考虑到样本之间的关系，让样本经过扰动后，分类网络输出的样本特征之间的关系仍然得到保留。

图 1 传统的半监督学习只保证了单个样本扰动后分类网络输出标签一致性，本文考虑到样本之间的关系，让样本经过扰动后，分类网络输出的样本特征之间的关系仍然得到保留。

具体方案：本文仍然是 mean teacher [1] 框架的魔改，workflow 见图 2 所示。

图2  本文 workflow，大体上借鉴了Mean-Teacher[1] 的框架，创新在与中间增加了一个控制同一个batch 中样本在不同扰动下相似度的保距性 L_{src}

实验结果：

在皮肤病灶分类数据集 ISIC 2018 和 胸部 X 光判断胸腔疾病的数据集 ChestX-ray14 中表现出了 比 SS-DCGAN [2], TCSE[3] 和 Mean-Teacher [1] 更好的性能。

文章代码：GitHub - liuquande/SRC-MT: [TMI'20] Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model

参考文献:

[1] A. Tarvainen and H. Valpola, “Mean teachers are better role models: Weight- averaged consistency targets improve semi-supervised deep learning results.” in NeuralIps 2017.

[2] A. Diaz-Pinto, A. Colomer, V. Naranjo, S. Morales, Y. Xu, and A. F. Frangi, “Retinal image synthesis and semi-supervised learning for glaucoma assessment.” IEEE Trans. Med. Imaging, vol. 38, no. 9, pp. 2211– 2218, 2019.

[3] X. Li, L. Yu, H. Chen, C.-W. Fu, and P. A. Heng, “Semi-supervised skin lesion segmentation via transformation consistent self-ensembling model,” in The British Machine Vision Conference, 2018.