基于协同通用专家与专家的多目标半监督医学图像分割平衡方法
计算机视觉与模式识别
2025-04-02 v1
摘要
尽管当前半监督模型在分割单个医学目标方面取得了令人期待的性能，但许多模型在同时分割多个目标时性能会显著下降。这一现象可能归因于不同目标之间的尺度不平衡：在同时分割多个目标时，大目标占据损失的主导地位，导致小目标被误分类为更大目标。为此，我们提出一种新方法，包含一个协同通用专家（Generalist）和若干专门专家（Specialists），称为 CGS。该方法基于为每个目标类别配置一个专家，从而避免大目标的主导地位。通用专家执行常规的多目标分割，而每个专家专注于区分特定目标类别与其余目标类别及背景。基于理论分析，我们证明 CGS 能实现更均衡的训练。此外，我们开发了交叉一致性损失以促进通用专家与专家之间的协同学习。最后，鉴于任何专用头的目标类别应属于其他头部剩余类别，我们引入一种跨头错误检测模块以进一步提升伪标签的质量。在三个流行基准数据集上的实验结果表明，其在性能上优于当前最先进的方法。
引用
@article{arxiv.2504.00862,
title = {Balancing Multi-Target Semi-Supervised Medical Image Segmentation with Collaborative Generalist and Specialists},
author = {You Wang and Zekun Li and Lei Qi and Qian Yu and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2504.00862},
year = {2025}
}