面向半监督 3D 血管分割的动态协作网络
计算机视觉与模式识别
2026-01-13 v1 人工智能
摘要
本文提出一种新的用于半监督 3D 血管分割的动态协作网络，称为 DiCo。传统的 mean teacher (MT) 方法通常采用静态方法，固定教师和学生模型的角色。然而，由于 3D 血管数据的复杂性，教师模型可能始终不优于学生模型，导致认知偏差限制性能。为此，我们提出动态协作网络，使两个模型能够动态切换其教师-学生角色。此外，我们引入多视角集成模块以捕获输入的各种视角，类似于医生进行医疗分析。我们还融入对抗监督以约束未标记数据中血管分割的形状。在此过程中，将 3D 体积投影到 2D 视图以缓解标签不一致的影响。实验表明，我们的 DiCo 方法在三个 3D 血管分割基准测试上取得了新的 state-of-the-art 性能。代码仓库地址为 https://github.com/xujiaommcome/DiCo。
引用
@article{arxiv.2601.07377,
title = {Learning Dynamic Collaborative Network for Semi-supervised 3D Vessel Segmentation},
author = {Jiao Xu and Xin Chen and Lihe Zhang},
journal= {arXiv preprint arXiv:2601.07377},
year = {2026}
}
备注
Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2025