Motivation
作者认为医学影像的成功，不仅归因于深度学习的最新进展，而且归因于大量经过仔细注释的数据。
- 标注医学影像数据非常昂贵且十分耗时
- 医院信息系统中存储大量未处理过的医学影像
如何能够在不加标注的情况下利用这些原始医学影像来提升深度学习模型。
本文贡献：
- 提出了一个新颖的3D医疗影像半监督学习检测框架FocalMix
- 本文工作最先将半监督学习应用于医学图像检测领域
- 通过广泛实验，证明了本文方法的有效性
Methods
MixMatch框架主要包括两个模块：
- target prediction
- MixUp augmentation
Soft-target Focal Loss
半监督学习通常涉及soft training targets问题。
提出的soft-target focal loss为
\[SFL(p)=[\alpha_0+y(\alpha_1-\alpha_0)]\cdot|y-p|^\gamma \cdot CE(y,p)\]
Anchor-level Target Prediction
MixUp Augmentation for Detection
MixUp增强是MixMatch框架中的重要组件，它鼓励模型在训练示例之间线性表现，以实现更好的泛化性能。
本文介绍了两种适用于医学图像中病灶检测的MixUp方法：图像级MixUp和对象级MixUp。
Experiments
