面向半监督医学图像分割的自适应双向位移
计算机视觉与模式识别
2024-05-02 v1
摘要
一致性学习是解决半监督医学图像分割（SSMIS）中无标签数据中心策略，通过强制模型在扰动下产生一致预测。然而，现有大多数方法仅侧重于利用特定的单一扰动，这只能应对有限的情况，而同时运用多个扰动则难以保证一致性学习的质量。本文提出一种自适应双向位移（ABD）方法来解决上述挑战。具体而言，我们首先基于可靠预测置信度为无标签数据设计双向 patch 位移，以生成新样本，这有效抑制不可控区域，同时保留输入扰动的影响。同时，为强化模型学习潜在的不可控内容，我们提出一种基于逆置信度的双向位移操作，用于带标签图像，生成包含更多不可靠信息的样本以促进模型学习。大量实验表明，ABD在SSMIS中实现了新的状态-of-the-art性能，显著改进了不同基线方法。源代码可在https://github.com/chy-upc/ABD获取。
引用
@article{arxiv.2405.00378,
title = {Adaptive Bidirectional Displacement for Semi-Supervised Medical Image Segmentation},
author = {Hanyang Chi and Jian Pang and Bingfeng Zhang and Weifeng Liu},
journal= {arXiv preprint arXiv:2405.00378},
year = {2024}
}
备注
Accepted to CVPR 2024