基于熵引导的协议多样性：胎儿头部超声分割的半监督主动学习框架
图像与视频处理
2026-01-27 v1 计算机视觉与模式识别
摘要
胎儿超声（US）数据常因隐私和监管限制而有限，导致深度学习（DL）模型训练受挑战。虽然半监督学习（SSL）在胎儿US图像分析中常用，但现有SSL方法通常依赖随机有限选择，可能因过拟合到单一标记数据而导致模型性能次优。为此，我们提出了一种两阶段主动学习（AL）采样器——熵引导协议多样性（Entropy-Guided Agreement-Diversity, EGAD），用于胎儿头部分割。本方法首先使用预测熵选择最不确定的样本，然后结合余弦相似度和互信息的协议多样性得分来细化最终选择。此外，本SSL框架采用特征下采样的一致性学习策略进一步提升分割性能。在实验中，SSL-EGAD在两种公开胎儿头部分割数据集上分别使用5%和10%标记数据训练，实现Dice得分平均为94.57%和96.32%。本方法优于当前SSL模型，在不同孕周数据上表现出一致的鲁棒性。代码已在GitHub上提供。
引用
@article{arxiv.2601.17460,
title = {Entropy-Guided Agreement-Diversity: A Semi-Supervised Active Learning Framework for Fetal Head Segmentation in Ultrasound},
author = {Fangyijie Wang and Siteng Ma and Guénolé Silvestre and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2601.17460},
year = {2026}
}
备注
Accepted at ISBI 2026