基于迭代伪标签的自适应复制粘贴监督用于半监督肿瘤分割
计算机视觉与模式识别
2025-08-07 v1
摘要
半监督学习（SSL）在医学图像处理中引起了广泛关注。最新的 SSL 方法结合一致性正则化和伪标签生成取得了显著成功。然而，大多数现有 SSL 研究侧重于分割大器官，忽略了大量肿瘤或小体积肿瘤的具挑战性场景。此外，数据增强策略在有标签和无标签数据中的广泛能力尚未得到彻底探讨。为此，我们提出一种简单却有效的方法，称为基于迭代伪标签的自适应复制粘贴监督（IPA-CP），用于 CT 扫描中的肿瘤分割。IPA-CP 包含一种基于两向不确定性的自适应增强机制，旨在将 mean teacher 框架中存在的肿瘤不确定性注入自适应增强。此外，IPA-CP 采用迭代伪标签过渡策略为无标签样本生成更稳健和信息丰富的伪标签。广泛的实验表明，该框架在内部分和公开数据集上均优于最先进的 SSL 方法在医学图像分割中的表现。消融实验结果证明了我们技术贡献的有效性。
引用
@article{arxiv.2508.04044,
title = {Iterative pseudo-labeling based adaptive copy-paste supervision for semi-supervised tumor segmentation},
author = {Qiangguo Jin and Hui Cui and Junbo Wang and Changming Sun and Yimiao He and Ping Xuan and Linlin Wang and Cong Cong and Leyi Wei and Ran Su},
journal= {arXiv preprint arXiv:2508.04044},
year = {2025}
}