BARL：用于半监督体积医学图像分割的表示与标签空间双向对齐
计算机视觉与模式识别
2026-01-15 v2
摘要
半监督医学图像分割 (SSMIS) 旨在在显著减少标注成本的同时达到完全监督的性能。主流 SSMIS 方法依赖“标签空间一致性”,但忽视了同样关键的“表示空间对齐”。在未对潜在特征进行和谐化的情况下,模型难以学习到既具判别性又具空间一致性的表示。为此,我们提出了**表示与标签空间双向对齐 (BARL)**,一个统一的框架,通过两个协作分支进行耦合,在两个空间中实现对齐。对于标签空间对齐,灵感来源于 co-training 和多尺度解码,我们设计了**双路径正则化 (DPR)**和**逐步认知偏差校正 (PCBC)**，在细粒度层面实现跨分支一致性,同时减轻从粗到细尺度的误差累积。对于表示空间对齐,我们在分支之间进行区域级和病灶实例匹配,显式捕获医学图像中常见的碎片化、复杂病理模式。在四个公开基准数据集和一个专有 CBCT 数据集上的大量实验表明,BARL 均显著优于现有的 SOTA SSMIS 方法。消融研究进一步验证了每个组件的贡献。代码将很快公开。
引用
@article{arxiv.2510.16863,
title = {BARL: Bilateral Alignment in Representation and Label Spaces for Semi-Supervised Volumetric Medical Image Segmentation},
author = {Shujian Gao and Yuan Wang and Zekuan Yu},
journal= {arXiv preprint arXiv:2510.16863},
year = {2026}
}
备注
14 pages, 5 figures