제한된 라벨링 데이터를 효과적으로 활용하는 준지도 학습(SSL)은 의료 영상 분할(SSMIS)에서 상당한 발전을 이루었습니다. 기존의 의료 영상 SSL 방법들은 주로 일관성 정규화와 의사 라벨링에 의존하지만, 서로 다른 임상 영역과 영상 기법 간의 전이 가능한 의미 관계를 종종 간과합니다. 본 논문에서는 이 문제를 해결하기 위해, 준지도 의료 영상 분할을 위한 새로운 전이 가능한 의미 프레임워크인 TransMedSeg를 제안합니다. TransMedSeg는 도메인 불변 의미를 교차 도메인 분포 매칭과 도메인 내 구조 보존을 통해 정렬함으로써 특징 표현을 암묵적으로 향상시키는 전이 가능한 의미 증강(TSA) 모듈을 도입합니다. 구체적으로, TransMedSeg는 경량 메모리 모듈을 통해 교사 네트워크 특징이 학생 네트워크 의미론으로 적응적으로 증강되는 통합된 특징 공간을 구성하여 명시적인 데이터 생성 없이 암묵적인 의미 변환을 가능하게 합니다. 흥미롭게도, 이 증강은 증강된 교사 분포에 대해 계산된 예상 전이 가능한 교차 엔트로피 손실을 통해 암묵적으로 실현됩니다. 예상 손실의 상한은 이론적으로 도출되고 훈련 중 최소화되며, 무시할 만한 계산 오버헤드를 발생시킵니다. 의료 영상 데이터 세트에 대한 광범위한 실험은 TransMedSeg가 기존의 준지도 방법보다 성능이 우수함을 보여주며, 의료 영상 분석에서 전이 가능한 표현 학습을 위한 새로운 방향을 제시합니다.
