GAN-based methods

        生成方法可以从数据中挖掘隐藏特征，并根据训练获得的真实数据分布生成新的数据分布（Goodfellow 等人，2020 年）。本节主要介绍基于生成对抗网络（GAN）的深度半监督医学图像分割方法。GAN 是一种流行的无监督学习技术，它对数据的高维分布进行隐式建模，包括一个判别器和一个生成器。生成器可以从随机噪声分布中生成合成样本，而鉴别器可以区分真实样本和虚假样本（Yi, Walia, & Babyn, 2019）。这种对抗思想被扩展到半监督学习中，以利用无标记数据（Hung、Tsai、Liou、Lin 和 Yang，2018；Odena，2016；Souly、Spampinato 和 Shah，2017），使用二元分类器作为判别器，损失函数可总结如下。

其中，S、D 和 θd 分别代表分割网络、判别网络及其参数。式（8）中的判别器用于区分已标记数据特征（1）或未标记数据特征（0）。

        判别器通常用于区分未标记图像和生成图像（Chaitanya et al., 2019; Lahiri, Jain, Mondal, & Biswas, 2020）（图 4(a)）、标记图像（或特征）和未标记图像（特征）（Hung et al、2018；Lee、Park、Shin 和 Chung，2022；Li、Zhang 和 He，2020；Xiang、Yan 等人，2022；Zhang 等人，2017）（图 4(b)）。此外，判别器还可以生成置信度图来评估分割网络生成的性能（Decourt & Duong, 2020; Fang & Li, 2020; Nie, Gao, Wang, & Shen, 2018; Sun, Zhou, Fu, & Xue, 2019），其中被评估的部分可以是像素或区域。表 3 是这些方法的摘要。

        此外，Xu 等人（2022 年）将输入的掩膜区分为地面实况和对抗训练预测。Wang, Peng 等人（2023 年）通过进行复杂的解剖学约束引入了约束对抗训练（CAT）方法。由于 GAN 本身在训练过程中不稳定，因此常被作为一个模块嵌入到深度半监督分割方法中，而对抗训练的思想很少作为一个框架来使用。为了解决训练不稳定的问题，Hou、Ding 和 Den