通过任务一致性训练利用未标注结构以实现通用医学图像分割
计算机视觉与模式识别
2025-09-08 v1
摘要
通用医学图像分割（VMIS）旨在实现多类目标的分割，然而由于所需的时间和劳动力，获取所有类别的全标注通常是不切实际的。利用部分标注数据集（PLDs）提供了一种有前景的替代方案；然而，由于 PLDs 中类别分布不均，当前的 VMIS 方法面临严重的类别不平衡问题。现有方法试图通过生成伪全标签来解决此问题。尽管如此，这些方法通常需要额外的模型，并且常常因标签噪声而导致潜在的性能下降。在本工作中，我们引入了任务一致性训练（TCT）框架，以在不需额外模型的情况下解决类别不平衡问题。TCT 包含一个带有用于多通道预测的主分割头（MSH）和多个用于特定任务预测的辅助任务头（ATHs）的主干网络。通过在 MSH 和 ATH 预测之间施加一致性约束，TCT 有效地利用了未标注的解剖结构。为了避免错误从低一致性、潜在含噪的数据中传播，我们提出了一种过滤策略以排除此类数据。此外，我们引入了统一的辅助不确定性加权损失（UAUWL），以缓解由特定任务占主导地位而导致的分割质量下降。在来自不同临床站点的八个腹部数据集上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2509.04732,
title = {Exploiting Unlabeled Structures through Task Consistency Training for Versatile Medical Image Segmentation},
author = {Shengqian Zhu and Jiafei Wu and Xiaogang Xu and Chengrong Yu and Ying Song and Zhang Yi and Guangjun Li and Junjie Hu},
journal= {arXiv preprint arXiv:2509.04732},
year = {2025}
}