Diff-CL：一种用于半监督医学图像分割的新型交叉伪监督方法
计算机视觉与模式识别
2025-03-13 v1
摘要
半监督学习利用未标记数据中的信息来改善模型泛化能力，从而减少对大规模标注数据集的依赖。大多数现有研究聚焦于有限样本，且未能捕捉整体数据分布。我们认为，将分布信息与细节信息相结合，对于实现更鲁棒、更精确的分割结果至关重要。一方面，扩散模型（DM）凭借其强大的生成能力，能够有效学习数据分布。然而，它在捕捉精细细节方面存在困难，导致生成图像中包含误导性细节。将扩散模型与卷积神经网络（CNN）相结合，可使前者学习数据分布，后者修正精细细节。然而，CNN捕捉完整高频细节需要大量计算资源，且易受局部噪声影响。另一方面，鉴于有标签数据和无标签数据来自同一分布，我们认为无标签数据中与有标签数据整体类别语义相似的区域很可能属于同一类别，而相似度极低的区域则不太可能。本工作从分布视角提出了一种半监督医学图像分割框架（Diff-CL）。首先，我们提出了一种扩散网络与卷积分割网络之间的交叉伪监督学习机制。其次，我们设计了一个高频Mamba模块，用于全局捕捉边界和细节信息。最后，我们应用对比学习实现从有标签数据到无标签数据的标签传播。我们的方法在三个数据集上取得了最先进的（SOTA）性能，包括左心房、脑肿瘤和NIH胰腺数据集。
引用
@article{arxiv.2503.09408,
title = {Diff-CL: A Novel Cross Pseudo-Supervision Method for Semi-supervised Medical Image Segmentation},
author = {Xiuzhen Guo and Lianyuan Yu and Ji Shi and Na Lei and Hongxiao Wang},
journal= {arXiv preprint arXiv:2503.09408},
year = {2025}
}