DyCON：用于半监督医学图像分割的动态不确定性感知一致性与对比学习
计算机视觉与模式识别
2025-04-08 v1
摘要
半监督学习在医学图像分割中利用未标记数据以减少标注负担，但当前方法在类别不平衡和病灶变异导致的高不确定性方面存在挑战，导致 3D 医学图像分割不准确。为解决这些问题，我们提出DyCON——一个动态不确定性感知一致性与对比学习框架，通过两种互补损失函数增强一致性方法的泛化能力：不确定性感知一致性损失(UnCL)和焦点熵感知对比损失(FeCL)。UnCL 通过基于其不确定性动态加权每个体素对一致性损失的贡献来实现全局一致性，保留高不确定性区域而非过滤它们。初始时，UnCL 优先学习不确定性较大的体素，采用较低惩罚，鼓励模型探索具有挑战性的区域。随着训练进展，惩罚逐渐转向置信度较高的体素，以细化预测并确保全局一致性。与此同时，FeCL 通过引入双重焦点机制和自适应置信度调整到对比学习原理中，增强不平衡区域的局部特征辨别能力。这两种机制共同优先处理难正样本和难负样本，同时聚焦于不确定的样本对，有效捕捉类别不平衡下病灶细微变异。广泛在四个多样化医学图像分割数据集(ISLES'22、BraTS'19、LA、Pancreas)上的评估表明，DyCON 在 SOTA 方法中表现优异。
引用
@article{arxiv.2504.04566,
title = {DyCON: Dynamic Uncertainty-aware Consistency and Contrastive Learning for Semi-supervised Medical Image Segmentation},
author = {Maregu Assefa and Muzammal Naseer and Iyyakutti Iyappan Ganapathi and Syed Sadaf Ali and Mohamed L Seghier and Naoufel Werghi},
journal= {arXiv preprint arXiv:2504.04566},
year = {2025}
}
备注
Accepted to CVPR 2025