LUMOS：基于层次可靠互学习的全通用半监督OCT视网膜层分割
计算机视觉与模式识别
2026-04-08 v1
摘要
光学相干断层扫描(OCT)视网膜层分割面临标注稀缺和跨数据集标签粒度异构的问题。虽然半监督学习有助于缓解标注稀缺，但现有方法通常假设固定的粒度，无法充分利用跨粒度监督信息。本文提出LUMOS，一种基于Dual-Decoder Network with Hierarchical Prompting Strategy(DDN-HPS)和Reliable Progressive Multi-granularity Learning(RPML)的半监督全通用OCT视网膜层分割框架。DDN-HPS组合双分支架构和多粒度提示策略，以有效抑制伪标签噪声的传播。RPML引入区域级可靠性加权和渐进式训练方法，引导模型从简单任务逐步过渡到更复杂任务，确保可靠地选择跨粒度一致性目标，从而实现稳定的跨粒度对齐。在六个OCT数据集上的实验表明，LUMOS在准确性上显著优于现有方法，并展现出卓越的跨域和跨粒度泛化能力。
引用
@article{arxiv.2604.05388,
title = {LUMOS: Universal Semi-Supervised OCT Retinal Layer Segmentation with Hierarchical Reliable Mutual Learning},
author = {Yizhou Fang and Jian Zhong and Li Lin and Xiaoying Tang},
journal= {arXiv preprint arXiv:2604.05388},
year = {2026}
}
备注
5 pages, 2 figures. Accepted to IEEE ISBI 2026. \c{opyright} 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses