双尺度增强与交叉生成一致性学习的半监督医学图像分割
计算机视觉与模式识别
2024-09-04 v2
摘要
医学图像分割在计算机辅助诊断中起着至关重要的作用。然而，现有方法严重依赖于全监督训练，这需要大量带有耗时像素级标注的标记数据。此外，由于病变在形状、大小和位置上的变化，准确分割病变具有挑战性。为了解决这些问题，我们提出了一种新颖的双尺度增强与交叉生成一致性学习框架，用于半监督医学图像分割（DEC-Seg）。首先，我们提出了一个跨级特征聚合（CFA）模块，该模块整合跨级相邻层以增强不同分辨率下的特征表示能力。为了解决尺度变化问题，我们提出了一个尺度增强的一致性约束，确保从同一输入图像在不同尺度下生成的分割图之间的一致性。该约束有助于处理病变大小的变化，并提高模型的鲁棒性。此外，我们提出了一种交叉生成一致性方案，其中可以使用交叉分割图重建原始图像和扰动图像。这种一致性约束使我们能够挖掘有效的特征表示并提升分割性能。为了进一步利用尺度信息，我们提出了一个双尺度互补融合（DCF）模块，该模块整合来自两个不同尺度专用解码器的特征，以帮助生成更准确的分割图。在多个医学分割任务（息肉、皮肤病变和脑胶质瘤）上的大量实验结果表明，我们的DEC-Seg优于其他最先进的半监督分割方法。实现代码将在https://github.com/taozh2017/DECSeg发布。
引用
@article{arxiv.2312.16039,
title = {Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation},
author = {Yunqi Gu and Tao Zhou and Yizhe Zhang and Yi Zhou and Kelei He and Chen Gong and Huazhu Fu},
journal= {arXiv preprint arXiv:2312.16039},
year = {2024}
}
备注
12 pages 10 figures