面向半监督图像分割与配准的统一框架
计算机视觉与模式识别
2025-02-06 v1
摘要
半监督学习利用已标注和未标注数据，是医学图像分割的高效方法，其中为整个数据集获取标注需要耗时且昂贵。传统半监督方法主要关注从未标注数据中提取特征和学习数据分布，以增强模型训练。本文引入了一种新方法，融合图像配准模型以生成未标注数据的伪标签，产生更准确的几何伪标签以改进模型训练。我们在 2D 脑数据集上进行了评估，仅使用 1% 的标注数据即可表现出色。结果表明，我们的方法在标注比例较低时优于传统半监督分割方法（如教师-学生模型）。GitHub: https://github.com/ruizhe-l/UniSegReg.
引用
@article{arxiv.2502.03229,
title = {A Unified Framework for Semi-Supervised Image Segmentation and Registration},
author = {Ruizhe Li and Grazziela Figueredo and Dorothee Auer and Rob Dineen and Paul Morgan and Xin Chen},
journal= {arXiv preprint arXiv:2502.03229},
year = {2025}
}
备注
Accepted for publication at IEEE International Symposium on Biomedical Imaging (ISBI) 2025