多样性增强的协作 Mamba 框架用于半监督医学图像分割
计算机视觉与模式识别
2025-08-20 v1
摘要
获取医学图像分割的高质量标注数据耗时且昂贵。半监督分割技术通过利用无标签数据生成伪标签来缓解这一负担。最近，由 Mamba 表示的高级状态空间模型在处理长程依赖方面表现出色。这促使我们探索其在半监督医学图像分割中的潜力。本文提出了一种 novel 的多样性增强协作 Mamba 框架（即 DCMamba），用于半监督医学图像分割，该框架从数据、网络和特征三个角度探索并利用数据中的多样性。首先，从数据角度，我们开发了基于 Mamba扫描建模特征的 patch 级弱-强混合增强。此外，从网络角度，我们引入一种多样化扫描协作模块，能够从不同扫描方向所产生的预测差异中获益。 Furthermore，从特征角度，我们采用不确定性加权对比学习机制以增强特征表示的多样性。实验表明，我们的 DCMamba 在仅使用 20% 标注数据时，在 Synapse 数据集上比其他半监督医学图像分割方法显著优于 6.69%。
引用
@article{arxiv.2508.13712,
title = {Diversity-enhanced Collaborative Mamba for Semi-supervised Medical Image Segmentation},
author = {Shumeng Li and Jian Zhang and Lei Qi and Luping Zhou and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2508.13712},
year = {2025}
}