面向半监督医学图像分割的自适应混合策略
计算机视觉与模式识别
2025-11-21 v2
摘要
混合策略是一致性正则化基于半监督学习方法中的关键技术，通过混合两个或更多图像生成强扰动样本，以获得强弱伪监督。现有的混合操作要么随机进行，要么使用预定义的固定规则（如替换低置信度图块为高置信度图块）。前者缺乏对扰动程度的控制，导致对随机扰动样本过拟合；后者倾向于生成平凡扰动，两者均限制了一致性正则化的效果。本文旨在回答以下问题：如何在训练期间对图像混合扰动进行自适应操作？为此，我们提出了一种自适应混合算法（AdaMix），以自我学习方式实现图像混合。鉴于模型性能在训练中逐渐提高，AdaMix配备了自我学习课程：在初始训练阶段，提供相对简单的扰动样本，然后通过基于模型学习状态估计的自适应控制扰动程度，逐渐增加扰动图像的难度。我们开发了三种基于AdaMix的框架，即AdaMix-ST、AdaMix-MT和AdaMix-CT，用于半监督医学图像分割。在三个公开数据集上的大量实验表明，所提出的框架能够实现卓越的性能。例如，与最先进的方法相比，在ACDC数据集上仅使用10%标记数据时，AdaMix-CT在Dice相似系数上实现了2.62%的相对提升，在平均表面距离上实现了48.25%的相对提升。结果表明，基于分割模型状态动态调整扰动强度的混合操作显著增强了一致性正则化的效果。
引用
@article{arxiv.2407.21586,
title = {Adaptive Mix for Semi-Supervised Medical Image Segmentation},
author = {Zhiqiang Shen and Peng Cao and Junming Su and Jinzhu Yang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2407.21586},
year = {2025}
}