紧盯上下文：基于注意力引导的弱到强一致性提升半监督医学图像分割
图像与视频处理
2025-07-08 v3 计算机视觉与模式识别
摘要
医学图像分割是诊断和治疗过程中的关键步骤，依赖高质量的标注数据，而这些数据往往难以获取且成本高昂。半监督学习提供了一种通过利用无标签数据来提高模型性能的有前景的方法。虽然弱到强一致性是半监督图像分割中常见的方法，但针对半监督医学图像分割任务的扰动策略研究仍显不足。为此，本文引入一种简单而高效的半监督学习框架，命名为 Attention-Guided weak-to-strong Consistency Match (AIGCMatch)。AIGCMatch 框架在图像和特征水平上集成注意力引导的扰动策略，以实现弱到强一致性正则化。该方法不仅保留了医学图像的结构信息，还增强了模型处理复杂语义信息的能力。在 ACDC 和 ISIC-2017 数据集上的大量实验表明，AIGCMatch 方法在 ACDC 数据集上以 7 种情况下的 90.4% Dice 得分取得了超越最新方法的成绩，展示了其在临床应用中的潜力和效能。
引用
@article{arxiv.2410.12419,
title = {Mind the Context: Attention-Guided Weak-to-Strong Consistency for Enhanced Semi-Supervised Medical Image Segmentation},
author = {Yuxuan Cheng and Chenxi Shao and Jie Ma and Yunfei Xie and Guoliang Li},
journal= {arXiv preprint arXiv:2410.12419},
year = {2025}
}