基于交叉金字塔一致性正则化的半监督医学图像分割
计算机视觉与模式识别
2025-11-12 v1
摘要
半监督学习 (SSL) 通过假设有限精心标注数据与大量未标注数据以支持学习的能力，使模型训练得以实现。本文提出一种混合一致性学习方法，通过交叉金字塔一致性正则化 (CPCR) 在两个解码器之间有效利用未标注数据，以实现半监督医学图像分割。首先，我们设计了混合双分支金字塔网络 (DBPNet)，包含一个编码器和两个略有差异的解码器，每个解码器在多个分辨率尺度上产生扰动的辅助预测金字塔。其二，我们提出一种名为CPCR的学习策略，将现有一致性学习和不确定性最小化方法于解码器主输出预测上结合，并引入我们新颖的正则化项。更具体地，在该正则化项中，我们将软标签扩展至解码器间的金字塔预测，以支持深层层次特征的知识蒸馏。实验结果表明，采用CPCR的DBPNet 在五种最先进的自监督学习方法上均表现优异，并在公开基准数据集上与最新方法相当。
引用
@article{arxiv.2511.08435,
title = {Cross-pyramid consistency regularization for semi-supervised medical image segmentation},
author = {Matus Bojko and Maros Kollar and Marek Jakab and Wanda Benesova},
journal= {arXiv preprint arXiv:2511.08435},
year = {2025}
}