M$^3$HL：基于高低层特征一致性的互盲混合半监督医学图像分割
图像与视频处理
2025-08-07 v1 人工智能
计算机视觉与模式识别
摘要
受 CutMix 启发的数据增强方法在近期半监督医学图像分割任务中展现出显著潜力。然而，这些方法往往以刚性且不灵活的方式应用 CutMix 操作，而对特征层面的一致性约束关注不足。本文提出一种新颖方法，称为基于高低层特征一致性的互盲混合（MHL），以解决上述挑战，包括两个关键组件：1) M：受掩码建模（MIM）中掩码策略的启发，构建增强的数据增强操作，通过动态可调掩码生成具有空间互补性的图像对，用于协同训练，从而实现标记和未标记图像之间有效的信息融合。2) HL：层次一致性正则化框架，在未标记图像和混合图像之间强制高层和低层特征一致性，使模型能够更好地捕获判别性特征表示。我们的方法在广泛采用的医学图像分割基准数据集（包括 ACDC 和 LA 数据集）上实现了最先进的性能。源代码可在 https://github.com/PHPJava666/M3HL 获取。
引用
@article{arxiv.2508.03752,
title = {M$^3$HL: Mutual Mask Mix with High-Low Level Feature Consistency for Semi-Supervised Medical Image Segmentation},
author = {Yajun Liu and Zenghui Zhang and Jiang Yue and Weiwei Guo and Dongying Li},
journal= {arXiv preprint arXiv:2508.03752},
year = {2025}
}
备注
MICCAI 2025