GIGP：面向半监督医学图像分割的全局信息交互与几何先验聚焦框架
计算机视觉与模式识别
2025-03-13 v1
摘要
半监督学习通过利用无标签数据减少对大量标注数据集的依赖，从而增强医学图像分割。一方面，有限标注数据与丰富无标签数据之间的分布差异可能阻碍模型泛化。大多数现有方法依赖局部相似性匹配，可能引入偏差。相比之下，Mamba 能够以线性复杂度有效建模全局上下文，学习更全面的数据表示。另一方面，医学图像通常表现出由几何特征定义的一致解剖结构。大多数现有方法未能充分利用全局几何先验，如体积、矩等。在本工作中，我们提出了一种全局信息交互与几何先验聚焦框架（GIGP）。首先，我们提出全局信息交互 Mamba 模块以减少标注数据与无标签数据之间的分布差异。其次，我们提出几何矩注意力机制以提取更丰富的全局几何特征。最后，我们提出全局几何扰动一致性以模拟器官动力学与几何变化，增强模型学习泛化特征的能力。在 NIH 胰腺和左心房数据集上的优异性能证明了所提方法的有效性。
引用
@article{arxiv.2503.09355,
title = {GIGP: A Global Information Interacting and Geometric Priors Focusing Framework for Semi-supervised Medical Image Segmentation},
author = {Lianyuan Yu and Xiuzhen Guo and Ji Shi and Hongxiao Wang and Hongwei Li},
journal= {arXiv preprint arXiv:2503.09355},
year = {2025}
}