利用信息散度实现鲁棒的半监督胎儿超声图像分割
图像与视频处理
2025-09-09 v1
摘要
母婴超声是监测胎儿发育的主要模态，但自动化分割仍因高质量标注的稀缺而具有挑战性。为解决这一局限，我们提出了一种利用信息散度实现鲁棒胎儿超声分割的半监督学习框架。我们的方法采用轻量级卷积网络（1.47M参数）和基于Transformer的网络，通过标准监督使用有标签数据进行联合训练，并通过跨监督使用无标签数据进行训练。为鼓励一致且自信的预测，我们引入了一种信息散度损失，将逐像素Kullback-Leibler散度与互信息间隙相结合，有效减少两个模型之间的预测不一致。此外，我们对无标签样本应用mixup以进一步增强鲁棒性。在两个胎儿超声数据集上的实验表明，我们的方法持续优于七种最先进的半监督方法。当仅有5%的训练数据有标注时，我们的框架将Dice分数提升了2.39%，将95% Hausdorff距离降低了14.90，将平均表面距离降低了4.18。这些结果突显了利用信息散度实现标注高效且鲁棒的医学图像分割的有效性。我们的代码在GitHub上公开可用。
引用
@article{arxiv.2509.06495,
title = {Leveraging Information Divergence for Robust Semi-Supervised Fetal Ultrasound Image Segmentation},
author = {Fangyijie Wang and Guénolé Silvestre and Kathleen M. Curran},
journal= {arXiv preprint arXiv:2509.06495},
year = {2025}
}