기존의 준지도 의료 영상 분할 공동 학습 프레임워크는 저품질 의사 레이블로 인한 모델 인식 편향으로 모델 성능이 저하될 수 있다는 점을 인지하고 있습니다. 이러한 프레임워크는 의사 레이블 통합 전략의 평균화 특성으로 인해 서로 다른 소스의 의사 레이블의 신뢰성을 탐구하지 못합니다. 본 논문에서는 두 가지 관점에서 준지도 학습의 의사 레이블 생성에 대한 잠재적으로 실행 가능한 솔루션을 제공하는 상호 증거 심층 학습(MEDL) 프레임워크를 제안합니다. 첫째, 서로 다른 아키텍처를 가진 네트워크를 도입하여 비표제 샘플에 대한 상보적인 증거를 생성하고, 다양한 아키텍처 네트워크에서 얻은 증거 예측의 자신감 있는 합성을 안내하기 위해 향상된 클래스 인식 증거 융합을 채택합니다. 둘째, 융합된 증거의 불확실성을 활용하여 점근적 피셔 정보 기반 증거 학습 전략을 설계합니다. 이 전략을 통해 모델은 초기에는 더 신뢰할 수 있는 의사 레이블을 가진 비표제 샘플에 집중하고, 점차적으로 품질이 낮은 의사 레이블을 가진 샘플에 주의를 돌리면서 높은 데이터 불확실성 샘플에서 잘못 레이블이 지정된 클래스에 대한 과도한 페널티를 피할 수 있습니다. 또한, 표제 데이터의 경우 불확실성 기반 점근 학습 전략을 계속 채택하여 모델이 점진적으로 어려운 복셀에 집중하도록 안내합니다. 5가지 주요 데이터 세트에 대한 광범위한 실험을 통해 MEDL이 최첨단 성능을 달성함을 보여주었습니다.
