JanusNet：用于半监督 3D 多器官分割的分层切片块混洗与置换
计算机视觉与模式识别
2025-08-07 v1
摘要
受限于训练样本和标注的稀缺性，弱监督医学图像分割通常采用数据增强来增加数据多样性，而随机混合体积块已展现出强劲的性能。然而，这种方法破坏了 3D 医学图像沿正交轴固有的解剖连续性，导致严重的结构不一致性，并在小尺寸器官等具有挑战性的区域训练不足。为了更好地顺应和利用人体解剖信息，我们提出了 JanusNet，这是一个用于 3D 医疗数据的数据增强框架，它在全局对解剖连续性进行建模，同时在局部聚焦于难以分割的区域。具体而言，我们的切片块混洗步骤沿随机轴对跨体积的同索引切片块进行对齐混洗，同时保留垂直于扰动轴平面上的解剖上下文。同时，置信度引导置换步骤利用预测可靠性替换每个切片内的块，放大来自困难区域的信号。这种双阶段、轴对齐的框架是即插即用的，对大多数师生方案只需极少的代码修改。在 Synapse 和 AMOS 数据集上的广泛实验表明，JanusNet 显著超越了最先进的方法，例如在 Synapse 数据集上仅使用 20% 标注数据便实现了 4% 的 DSC 提升。
引用
@article{arxiv.2508.03997,
title = {JanusNet: Hierarchical Slice-Block Shuffle and Displacement for Semi-Supervised 3D Multi-Organ Segmentation},
author = {Zheng Zhang and Tianzhuzi Tan and Guanchun Yin and Bo Zhang and Xiuzhuang Zhou},
journal= {arXiv preprint arXiv:2508.03997},
year = {2025}
}