通过平衡子类正则化缓解半监督多器官分割中的类别不平衡问题

半监督学习 (SSL) 在缓解大规模密集预测任务对大型密集标注数据集的严重需求方面显示出巨大的潜力，尤其是对于具有挑战性的多器官分割 (MoS)。然而，MoS 中存在显著的类别不平衡问题，这种问题由器官大小的显著差异引起，恶化了 SSL 网络的学习难度。为缓解此问题，我们提出了一种基于平衡子类正则化的双阶段半监督网络 (BSR-Net) 用于 MoS。具体而言，在阶段 I，我们引入一种基于平衡聚类的数据驱动子类生成策略，以有效地根据像素比例从原始偏斜的子类中生成多个平衡子类。然后，在阶段 II，我们在主要 MoS 任务的多任务框架中设计了辅助子类分割 (SCS) 任务。SCS 任务为主要 MoS 任务提供平衡子类正则化，并将无偏知识传递给 MoS 网络，从而缓解了类别不平衡问题的影响。在 MICCAI FLARE 2022 数据集和 WORD 数据集上的大量实验表明，我们的方法在其他方法方面表现出优越性能。