背景至关重要：一种用于半监督医学图像分割的跨视图双向建模框架
计算机视觉与模式识别
2025-05-23 v1
摘要
半监督医学图像分割（SSMIS）利用无标签数据来减少对手动标注图像的依赖。然而，当前最先进的方法主要侧重于前景导向的建模（即仅分割前景区域），并在很大程度上忽略了显式建模背景区域的潜在益处。我们的研究从理论和实证上证明，背景建模中高确定性的预测能增强相应前景建模的置信度。基于这一见解，我们提出了跨视图双向建模（CVBM）框架，该框架通过引入背景建模来提升前景建模性能，提供了一种新颖的视角。在CVBM中，背景建模作为一个辅助视角，提供互补的监督信号以增强前景模型的置信度。此外，CVBM引入了一种创新的双向一致性机制，确保前景预测与背景引导预测之间的相互对齐。大量实验表明，我们的方法在LA、胰腺、ACDC和HRF数据集上达到了最先进的性能。值得注意的是，在胰腺数据集上，CVBM仅使用20%的标注数据，其性能就超过了全监督方法（即DSC：84.57% vs. 83.89%）。我们的代码已在https://github.com/caoluyang0830/CVBM.git上公开。
引用
@article{arxiv.2505.16625,
title = {Background Matters: A Cross-view Bidirectional Modeling Framework for Semi-supervised Medical Image Segmentation},
author = {Luyang Cao and Jianwei Li and Yinghuan Shi},
journal= {arXiv preprint arXiv:2505.16625},
year = {2025}
}
备注
Accepted by IEEE Transactions on Image Processing