用于半监督医学分割的双向通道选择性语义交互
计算机视觉与模式识别
2026-01-12 v1
摘要
半监督医学图像分割是解决标注数据有限场景的一种有效方法。现有方法主要依赖于均值教师和双流一致性学习等框架。这些方法通常面临错误累积和模型结构复杂等问题，同时也忽略了标注与未标注数据流之间的交互。为克服这些挑战，我们提出了一种用于半监督医学图像分割的双向通道选择性语义交互（BCSI）框架。首先，我们提出了一种语义-空间扰动（SSP）机制，该机制使用两种强增强操作扰动数据，并利用来自弱增强的伪标签进行无监督学习。此外，我们对两种强增强的预测施加一致性约束，以进一步提高模型的稳定性和鲁棒性。其次，为了减少标注与未标注数据交互过程中的噪声，我们提出了一个通道选择路由器（CR）组件，该组件动态地为信息交换选择最相关的通道。此机制确保只有高度相关的特征被激活，从而最大限度地减少不必要的干扰。最后，采用双向通道交互（BCI）策略来补充额外的语义信息并增强重要通道的表示。在多个基准 3D 医学数据集上的实验结果表明，所提出的方法优于现有的半监督方法。
引用
@article{arxiv.2601.05855,
title = {Bidirectional Channel-selective Semantic Interaction for Semi-Supervised Medical Segmentation},
author = {Kaiwen Huang and Yizhe Zhang and Yi Zhou and Tianyang Xu and Tao Zhou},
journal= {arXiv preprint arXiv:2601.05855},
year = {2026}
}
备注
Accepted to AAAI 2026. Code at: https://github.com/taozh2017/BCSI