RAIL：用于半监督 CBCT 牙齿分割的区域感知指导学习

半监督学习已成为从 CBCT 扫描中进行 3D 牙齿分割的一种引人注目的方法，尤其是在标注数据极少的情况下。然而，现有方法仍面临两个持续存在的挑战：监督训练阶段对结构模糊或标注错误区域的修正监督有限，以及无标注数据上不可靠伪标签导致的性能下降。为了解决这些问题，我们提出了区域感知指导学习 (RAIL)，这是一个双组双学生半监督框架。每组包含两个由共享教师网络指导的学生模型。通过在两组之间交替训练，RAIL 促进了组间知识迁移和协作区域感知指导，同时减少了对任何单一模型特征的过拟合。具体来说，RAIL 引入了两种指导机制。分歧聚焦监督 (DFS) 控制器通过仅在学生输出与真实值和最佳学生都存在分歧的区域内指导预测来改进监督学习，从而将监督集中在结构模糊或标注错误的区域。在无监督阶段，置信度感知学习 (CAL) 调节器在模型置信度高的区域强化一致性，同时在训练过程中减少低置信度预测的影响。这有助于防止我们的模型学习不稳定的模式，并提高伪标签的整体可靠性。在四个 CBCT 牙齿分割数据集上进行的大量实验表明，在有限标注下，RAIL 优于现有最新方法。我们的代码将发布在 https://github.com/Tournesol-Saturday/RAIL。