基于人类注视的双教师引导学习用于半监督医学图像分割
图像与视频处理
2026-04-14 v1
摘要
在医学图像分割领域，标注数据的稀缺对现有模型准确感知目标区域构成了重大挑战。与人工标注相比，注视数据更易获取且成本更低。作为一种经典的半监督学习框架，均值教师（mean-teacher）能够通过自我教学和协同优化，有效利用大量未标注医学图像进行稳定训练。我们的研究基于均值教师框架，通过结合注视数据，旨在解决半监督医学图像分割中的两个关键问题：1）在标注数据有限的情况下扩展数据集的规模和多样性；2）增强网络的感知能力。我们提出了基于人类注视的双教师引导学习模型（HG-DTGL）。在该模型中，人类注视作为均值教师架构中一个额外的隐藏“教师”。我们引入 GazeMix 来生成可靠的混合数据，以扩展数据集的多样性和规模，并使用多尺度注视感知（MGP）模块来提取网络的多尺度感知。我们设计了一种注视损失（Gaze Loss），以使模型的感知与人类注视对齐。我们在不同模态的多个数据集上验证了 HG-DTGL，并通过大量实验在总共十种不同的器官/组织上取得了优越的性能。这表明我们的方法对不同模态的医学图像具有很强的泛化能力，并展示了注视数据在半监督医学图像分割中的巨大应用潜力。
引用
@article{arxiv.2604.10754,
title = {Human Gaze-based Dual Teacher Guidance Learning for Semi-Supervised Medical Image Segmentation},
author = {Rongjun Ge and Chong Wang and Yuxin Liu and Chunqiang Lu and Cong Xia and Yehui Jiang and Fangyi Xu and Yinsu Zhu and Daoqiang Zhang and Chengyu Liu and Yang Chen and Shuo Li and Yuting He},
journal= {arXiv preprint arXiv:2604.10754},
year = {2026}
}