调和泛化与专业化：基于不确定性的信息半监督医学图像分割协同学习
计算机视觉与模式识别
2026-02-13 v2 人工智能
机器学习
摘要
视觉基础模型已在医学图像分割中通过利用大规模异构预训练数据显示出强大的泛化能力。然而，这些模型常常难以在有限标注或罕见病理变化的情况下泛化到专门的临床任务，因为通用先验与任务特定需求之间存在不匹配。为此，我们提出基于不确定性的信息半监督医学图像分割协同学习框架 UnCoL。具体而言，UnCoL 从冻结的基础模型中蒸馏视觉和语义表示以传递通用知识，同时保持一个逐渐适应的教师以捕获细粒度和任务特定的表示。为平衡来自两个教师的指导，UnCoL 中的伪标签学习基于预测不确定性进行自适应调节，这会选择性地抑制不可靠的监督并稳定地处理模糊区域。在多样化的 2D 和 3D 分割基准测试上实验表明，UnCoL 持续地超过了半监督方法和基础模型基线。此外，我们的模型在显著减少标注需求的情况下实现接近全监督水平的性能。
引用
@article{arxiv.2512.13101,
title = {Harmonizing Generalization and Specialization: Uncertainty-Informed Collaborative Learning for Semi-supervised Medical Image Segmentation},
author = {Wenjing Lu and Yi Hong and Yang Yang},
journal= {arXiv preprint arXiv:2512.13101},
year = {2026}
}
备注
Accepted for publication in IEEE Transactions on Medical Imaging (TMI), 2026