基于半监督教师-学生框架的3D MRI脑肿瘤分割数据标注稀缺问题解决
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
从MRI accurate分割脑肿瘤受限于高昂的标注成本和跨扫描仪/站点的异质性。我们提出一种半监督教师-学生框架，结合不确定性感知的伪标签教师与学生的渐进式、基于置信度的课程。教师生成概率掩模和逐像素不确定性；按图像级置信度排序的未标记扫描按阶段引入，而双损失目标训练学生以学习高置信度区域并忘记低置信度区域。基于同意性的细化进一步提升伪标签质量。在BraTS 2021数据集上，验证DSC从0.393(10%数据)提升至0.872(100%)，其中早期阶段获得最大提升，显示出数据效率。教师达到验证DSC为0.922，学生在肿瘤亚区(如NCR/NET 0.797和Edema 0.980)超越教师；值得注意的是，学生在恢复增强类(DSC 0.620)方面实现了教师所未达成的成果。这些结果表明，置信度驱动的课程和选择性忘记在有限监督和噪声伪标签条件下提供稳健的分割能力。
引用
@article{arxiv.2602.08797,
title = {Addressing data annotation scarcity in Brain Tumor Segmentation on 3D MRI scan Using a Semi-Supervised Teacher-Student Framework},
author = {Jiaming Liu and Cheng Ding and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2602.08797},
year = {2026}
}
备注
10 pages, 7 figures. Submitted to IEEE Journal of Biomedical and Health Informatics (JBHI)