基于双向不确定性感知的半监督医学图像分割区域学习
计算机视觉与模式识别
2025-09-30 v2
摘要
在半监督医学图像分割中， unlabeled 数据质量较差且模型预测存在不确定性，导致模型不可避免地生成错误的伪标签。这些错误在模型训练过程中会不断累积，从而削弱模型性能。我们发现，这些错误的伪标签通常集中在高不确定性区域。传统方法通过直接丢弃这些区域的伪标签来提升性能，但也可能导致忽略潜在有价值的训练数据。为缓解此问题，我们提出了一种双向不确定性感知区域学习策略，充分利用由标记数据提供的精确监督，并稳定标记数据训练中的不确定性。具体而言，在标记数据训练中，我们关注高不确定性区域，利用精确标签指导模型在潜在不可控区域的学习。同时，在 unlabeled 数据训练中，我们聚焦于低不确定性区域，以减少错误伪标签对模型的干扰。通过这种双向学习策略，显著提升了模型整体性能。广泛实验表明，我们提出的方法在不同的医学图像分割任务上均实现了显著的性能提升。
引用
@article{arxiv.2502.07457,
title = {Bidirectional Uncertainty-Aware Region Learning for Semi-Supervised Medical Image Segmentation},
author = {Shiwei Zhou and Xin Liu and Haifeng Zhao and Bin Luo and Dengdi Sun},
journal= {arXiv preprint arXiv:2502.07457},
year = {2025}
}