基于联合不确定性与数据增强的医学图像分割原型一致性学习
计算机视觉与模式识别
2025-05-23 v1
摘要
最近，原型学习在半监督医学图像分割中涌现并取得显著成绩。然而，稀缺的标注数据限制了先前方法中原型的表达力，可能阻碍其对类嵌入的完整表示。为克服此问题，本文提出一种高效原型一致性学习方法，通过联合不确定性量化与数据增强（EPCL-JUDA）以增强原型在 Mean-Teacher 框架下的语义表达。将原始数据与增强后数据拼接后输入学生网络以生成更具表达力的原型。随后，设计联合不确定性量化方法，分别优化原始数据和增强后未标注数据的伪标签，从而生成可靠的原型。通过融合标注与未标注数据的高质量全局原型，用于生成原型到特征的映射，以进行一致性学习。值得注意的是，提出一种原型网络以减少引入增强数据所带来的高内存需求。在 Left Atrium、Pancreas-NIH、Type B Aortic Dissection 等数据集上进行大量实验，证明 EPCL-JUDA 在先前 SOTA 方法上具有优势，确认了本框架的有效性。代码将很快公开。
关键词
引用
@article{arxiv.2505.16283,
title = {Efficient Prototype Consistency Learning in Medical Image Segmentation via Joint Uncertainty and Data Augmentation},
author = {Lijian Li and Yuanpeng He and Chi-Man Pun},
journal= {arXiv preprint arXiv:2505.16283},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2404.10717