CAD：用于半监督医学图像分割的置信度感知自适应置换
计算机视觉与模式识别
2025-04-04 v2 机器学习
摘要
半监督医学图像分割旨在利用最少的专家标注，但仍面临维持高质量一致性学习的挑战。过度的扰动会降低对齐度并阻碍精确决策边界的形成，尤其是在预测不确定的区域。在本文中，我们引入了置信度感知自适应置换（CAD）框架，该框架选择性地识别并替换最大的低置信度区域为高置信度图像块。通过在训练过程中动态调整最大允许置换尺寸和置信度阈值，CAD 逐步优化分割质量，而不会使学习过程不堪重负。在公开医学数据集上的实验结果表明，CAD 有效提升了分割质量，确立了该领域新的最先进精度。源代码将在论文发表后发布。
引用
@article{arxiv.2502.00536,
title = {CAD: Confidence-Aware Adaptive Displacement for Semi-Supervised Medical Image Segmentation},
author = {Wenbo Xiao and Zhihao Xu and Guiping Liang and Yangjun Deng and Yi Xiao},
journal= {arXiv preprint arXiv:2502.00536},
year = {2025}
}
备注
9 pages, 3 figures, 4 tables