DSTCS：基于分割一切模型的双学生-教师框架用于半监督耻骨联合与胎头分割
计算机视觉与模式识别
2026-01-28 v1
摘要
耻骨联合与胎头（PSFH）的分割是产时监测中的关键步骤，对于评估产程进展和识别潜在分娩并发症至关重要。然而，由于超声图像中存在类别不平衡、边界模糊和噪声干扰，加之高质量标注数据的稀缺，实现精确分割仍然是一项重大挑战。当前关于PSFH分割的研究主要依赖于CNN和Transformer架构，而更强大模型的潜力尚未得到充分探索。在这项工作中，我们提出了一种结合CNN和SAM的双学生-教师框架（DSTCS），该框架将分割一切模型（SAM）集成到双学生-教师架构中。CNN分支与SAM分支之间的协作学习机制显著提高了分割精度。所提出的方案还包含一种针对边界处理优化的专用数据增强策略以及一种新颖的损失函数。在MICCAI 2023和2024年PSFH分割基准上的大量实验表明，我们的方法展现出卓越的鲁棒性，并显著优于现有技术，为临床实践提供了一种可靠的分割工具。
引用
@article{arxiv.2601.19446,
title = {DSTCS: Dual-Student Teacher Framework with Segment Anything Model for Semi-Supervised Pubic Symphysis Fetal Head Segmentation},
author = {Yalin Luo and Shun Long and Huijin Wang and Jieyun Bai},
journal= {arXiv preprint arXiv:2601.19446},
year = {2026}
}