DuetMatch：通过解耦分支优化实现半监督脑部 MRI 分割的协调
计算机视觉与模式识别
2025-11-21 v2
摘要
医学影像中标注数据的稀缺使半监督学习日益受到青睐。最近，基于教师-学生框架的半监督学习因其训练优势和稳健性能而流行。然而，联合优化整个网络可能阻碍收敛和稳定性，尤其是在挑战性场景下。为此，我们提出DuetMatch，一种具有异步优化的双分支半监督框架，其中每个分支在保持另一分支冻结的情况下优化编码器或解码器。为改善在噪声条件下的一致性，我们引入解耦 Dropout 扰动，强制跨分支的正则化。我们还设计了基于切割混合的对抗式交叉指导，以通过增强输入对交换伪标签来增强模型多样性。为缓解噪声伪标签导致的确认偏差，我们提出一致性匹配，使用冻结教师模型的稳健预测来细化标签。在包括 ISLES2022 和 BraTS 在内的多个基准脑部 MRI 分割数据集上进行的大量实验表明，DuetMatch 在各种半监督分割场景中均一致优于最先进的方法，显示其有效性和稳健性。
引用
@article{arxiv.2510.16146,
title = {DuetMatch: Harmonizing Semi-Supervised Brain MRI Segmentation via Decoupled Branch Optimization},
author = {Thanh-Huy Nguyen and Hoang-Thien Nguyen and Vi Vu and Ba-Thinh Lam and Phat Huynh and Tianyang Wang and Xingjian Li and Ulas Bagci and Min Xu},
journal= {arXiv preprint arXiv:2510.16146},
year = {2025}
}
备注
Published in Computerized Medical Imaging and Graphics (CMIG)