ERANet：边缘替换数据增强用于原型一致性对齐与条件自训练的半监督髋关节肌腱分割
计算机视觉与模式识别
2025-11-25 v2
摘要
手动分割工作量大，自动分割因髋关节肌腱形态学的内在变异性、部分体积效应以及髋关节肌腱与周围组织之间的对比度低而仍具挑战性。为解决这些问题，我们提出ERANet，一种创新的髋关节肌腱分割半监督框架，通过高级数据增强和学习策略有效利用标记和未标记图像。ERANet 集成了三个关键组件：边缘替换数据增强（ERA）、原型一致性对齐（PCA）以及基于均值教师架构的条件自训练（CST）策略。ERA 通过模拟髋关节肌腱的变异性引入解剖学相关的扰动，确保数据增强与结构语境一致。PCA 通过对齐 intra-class 特征并促进紧凑且具辨识力的特征表示来提高分割性能，尤其是在标记数据有限的场景中。CST 通过迭代细化伪标签并减轻训练期标签噪声的影响来提高分割鲁棒性。这些创新共同使ERANet 成为髋关节分割的稳健且可扩展解决方案，有效解决实际实施的关键障碍。我们在 3D 双回响稳态（DESS）和 3D 快速/涡轮旋扫（FSE/TSE）MRI 序列上全面验证了ERANet。结果表明，ERANet 的性能优于领先的方法。该框架即使在最小标记数据下也能实现对髋关节结构的可靠和准确分割。广泛的消融研究进一步凸显了 ERA、PCA 和 CST 的协同贡献，使ERANet 成为医学影像髋关节半监督分割的变革性解决方案。
引用
@article{arxiv.2502.07331,
title = {ERANet: Edge Replacement Augmentation for Semi-Supervised Meniscus Segmentation with Prototype Consistency Alignment and Conditional Self-Training},
author = {Siyue Li and Yongcheng Yao and Junru Zhong and Shutian Zhao and Fan Xiao and Tim-Yun Michael Ong and Ki-Wai Kevin Ho and James F. Griffith and Yudong Zhang and Shuihua Wang and Jin Hong and Weitian Chen},
journal= {arXiv preprint arXiv:2502.07331},
year = {2025}
}