基于训练-free伪标签生成与标签精炼的乳腺超声半监督分割框架
计算机视觉与模式识别
2026-03-09 v1
摘要
半监督学习（SSL）已成为乳腺超声（BUS）图像分割的有前景的范式，但常因注释稀缺导致伪标签不稳定，进而产生不准确的监督信号并降低性能。近期视觉语言模型（VLMs）提供了新的伪标签生成机会，但其在BUS图像上的有效性受限于跨域提示难以迁移。为此，本文提出一种训练-free伪标签生成与标签精炼的半监督框架。通过利用简单的人类感知描述（如“暗色椭圆形”），该方法实现了自然图像与医学图像之间的跨域结构迁移，使VLMs能够生成结构一致的伪标签。这些伪标签用于预热一个静态教师模型，捕获乳腺病灶的全局结构先验。结合指数移动平均教师模型，进一步引入不确定性熵加权融合和自适应不确定性引导的逆对比学习，以提高边界辨识能力。实验表明，在四个BUS数据集上，本方法仅需2.5%的标记数据，即可达到与完全监督模型相当的性能，显著优于现有SSL方法。此外，所提方法易于扩展：仅需全局外观描述，即可为其他影像模态或疾病生成可靠伪监督，实现受限注释下的可扩展医学图像半监督分割。
引用
@article{arxiv.2603.06167,
title = {A Semi-Supervised Framework for Breast Ultrasound Segmentation with Training-Free Pseudo-Label Generation and Label Refinement},
author = {Ruili Li and Jiayi Ding and Ruiyu Li and Yilun Jin and Shiwen Ge and Yuwen Zeng and Xiaoyong Zhang and Eichi Takaya and Jan Vrba and Noriyasu Homma},
journal= {arXiv preprint arXiv:2603.06167},
year = {2026}
}