面向半监督医学领域泛化的双监督非对称协训练
计算机视觉与模式识别
2025-09-26 v1
摘要
半监督领域泛化（SSDG）在医学图像分割中提供了一种在测试期间实现泛化的 promising 方案，解决领域迁移挑战并最小化标注成本。然而，常规SSDG方法假设训练集中每个源域都有标注与未标注数据，这在实际中并不总是满足。标注有限且存在领域迁移的训练集情形普遍存在。因此，本文探索更为实际且具挑战性的情景：跨域半监督领域泛化（CD-SSDG），即在标注与未标注训练数据之间以及训练与测试之间均发生领域迁移。现有SSDG方法在此类领域迁移下表现次优，因伪标签不准。为解决此问题，我们提出面向CD-SSDG的新型双监督非对称协训练（DAC）框架。基于两个提供交叉伪监督的子模型构建的协训练范式，我们的DAC框架集成额外的特征级监督与每个子模型的非对称辅助任务。该特征级监督用于解决标注与未标注数据之间领域迁移导致的误导性伪监督，利用丰富特征空间的互补监督。此外，集成两个 distinct 辅助自监督任务于每个子模型，以增强领域不变的判别特征学习并防止模型崩溃。在真实世界医学图像分割数据集上进行大量实验，包括Fundus、Polyp和SCGM，结果表明所提出的DAC框架具有稳健的泛化能力。
引用
@article{arxiv.2509.20785,
title = {Dual-supervised Asymmetric Co-training for Semi-supervised Medical Domain Generalization},
author = {Jincai Song and Haipeng Chen and Jun Qin and Na Zhao},
journal= {arXiv preprint arXiv:2509.20785},
year = {2025}
}
备注
13 pages, 14 figures