基于模态特定增强与互补融合的半监督多模态脑肿瘤分割
计算机视觉与模式识别
2025-12-11 v1
摘要
半监督学习(SSL)已成为医学图像分割的热门方向，使模型能够从有限的标记数据中学习，并在海量未标记样本中进行学习。然而，现有的 SSL 方法往往难以充分利用跨 MRI 序列在语义和对齐方面的互补信息。为此，我们提出了一个 novel 半监督多模态框架，显式增强模态特定的表征，并促进自适应的跨模态信息融合。具体而言，我们引入 Modality-specific Enhancing Module(MEM)，通过通道注意力机制强化每个模态独有的语义线索，并引入可学习的互补信息融合(CIF)模块，在模态之间进行自适应地交换互补知识。整个框架采用结合监督分割损失和跨模态一致性正则化的混合目标进行优化。广泛实验表明，我们的方法在 BraTS 2019(HGG 子集)上的 1%、5% 和 10% 标记数据设置下，持续优于强大的半监督和多模态基线方法，在 Dice 系数和灵敏度指标上实现显著提升。消融研究进一步确认，我们提出的 MEM 和 CIF 在弥合跨模态差异、在稀缺监督条件下提高分割鲁棒性方面的互补作用。
引用
@article{arxiv.2512.09801,
title = {Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation},
author = {Tien-Dat Chung and Ba-Thinh Lam and Thanh-Huy Nguyen and Thien Nguyen and Nguyen Lan Vi Vu and Hoang-Loc Cao and Phat Kim Huynh and Min Xu},
journal= {arXiv preprint arXiv:2512.09801},
year = {2025}
}
备注
9 pages, 3 figures