结合基于 Wasserstein 一致性的双尺度体积先验的半监督医学图像分割
计算机视觉与模式识别
2025-09-05 v1
摘要
尽管半监督医学图像分割取得了显著进展，但大多数现有的分割网络忽略了用于特征提取的有效方法指导以及来自数据集的重要先验信息。在本文中，我们开发了一个半监督医学图像分割框架，该框架有效地结合了空间正则化方法和体积先验。具体而言，我们的方法将图像尺度上的强显式体积先验和 Threshold Dynamics 空间正则化（两者均源自变分模型）整合到主干分割网络中。每幅未标注图像的目标区域体积由一个回归网络估计，该网络通过图像尺度的 Wasserstein 距离约束对主干分割网络进行有效正则化，确保每幅未标注图像分割结果中的类别比例与回归网络预测的比例相匹配。此外，我们基于弱隐式体积先验设计了一个数据集尺度的 Wasserstein 距离损失函数，该函数强制要求为未标注数据集预测的体积分布与已标注数据集的体积分布相似。在 2017 ACDC 数据集、PROMISE12 数据集和大腿肌肉 MR 图像数据集上的实验结果表明了所提方法的优越性。
引用
@article{arxiv.2509.04273,
title = {Dual-Scale Volume Priors with Wasserstein-Based Consistency for Semi-Supervised Medical Image Segmentation},
author = {Junying Meng and Gangxuan Zhou and Jun Liu and Weihong Guo},
journal= {arXiv preprint arXiv:2509.04273},
year = {2025}
}