HDC:面向半监督胎儿超声分割中多层级噪声一致性的层级蒸馏方法
计算机视觉与模式识别
2025-04-18 v2 人工智能
摘要
经阴道超声是评估宫颈解剖结构及检测其生理变化的关键成像模态。然而,由于对比度低、阴影伪影以及边界模糊等因素,宫颈结构的精确分割仍然具有挑战性。尽管卷积神经网络(convolutional neural networks, CNN)在医学图像分割中已展现出有效性,但其对大规模标注数据集的依赖在临床超声成像中构成了显著局限。半监督学习(semi-supervised learning, SSL)通过利用未标注数据提供了一种潜在的解决方案,但现有的师生框架常常面临确认偏差和较高计算开销的问题。本文提出了一种新颖的半监督分割框架 HDC,将自适应一致性学习与单教师架构相结合。该框架引入了一种层级蒸馏机制,包含两个目标:用于对齐特征表示的相关性引导损失(Correlation Guidance Loss),以及用于稳定含噪声学生学习的互信息损失(Mutual Information Loss)。所提方法在降低模型复杂度的同时增强了泛化能力。在胎儿超声数据集 FUGC 和 PSFH 上的实验表明,该方法以更低的计算开销取得了与多教师模型相当的竞争性能。
引用
@article{arxiv.2504.09876,
title = {HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation},
author = {Tran Quoc Khanh Le and Nguyen Lan Vi Vu and Ha-Hieu Pham and Xuan-Loc Huynh and Tien-Huy Nguyen and Minh Huu Nhat Le and Quan Nguyen and Hien D. Nguyen},
journal= {arXiv preprint arXiv:2504.09876},
year = {2025}
}