探索特征表示学习用于半监督医学图像分割
计算机视觉与模式识别
2023-08-01 v2
摘要
本文提出了一种简单而有效的两阶段框架用于半监督医学图像分割。与先前最先进的半监督分割方法主要依赖于对预测的直接伪监督(如一致性正则化和伪标注)不同,我们的核心见解是利用有标注和无标注(即伪标注)图像探索特征表示学习,以正则化更紧凑且更好分离的特征空间,这为低密度决策边界学习铺平了道路,从而提升分割性能。我们提出了一种阶段自适应对比学习方法,包含在第一阶段利用有标注图像的边界感知对比损失,以及在第二阶段优化有标注和伪标注图像的原型感知对比损失。为了获得更精确的原型估计(其在原型感知对比学习中起关键作用),我们提出了一种偶然不确定性感知方法,即 AUA,以生成更高质量的伪标签。AUA 通过利用图像模糊性自适应正则化预测一致性,鉴于其重要性,现有工作对此探索不足。我们的方法在三个公开医学图像分割基准上取得了最佳结果。
引用
@article{arxiv.2111.10989,
title = {Exploring Feature Representation Learning for Semi-supervised Medical Image Segmentation},
author = {Huimin Wu and Xiaomeng Li and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2111.10989},
year = {2023}
}
备注
Accepted by TNNLS (IEEE Transactions on Neural Networks and Learning Systems). Code available at: https://github.com/Huiimin5/AUA