医学超声图像分割的半监督学习与对比学习多尺度开关
摘要
医学超声图像分割面临显著挑战，主要由于标注数据有限以及特有的成像伪影，如散粒噪声和低对比度边界。虽然半监督学习（SSL）方法已涌现出于解决数据稀缺问题，但现有方法存在 unlabeled 数据利用不佳以及缺乏稳健特征表示机制的问题。本文提出了 Switch，一种新的 SSL 框架，包含两个关键创新：（1）多尺度开关（MSS）策略采用分层块混合以实现均匀的空间覆盖；（2）频域开关（FDS）采用对比学习，对傅里叶空间中的振幅进行开关，以实现稳健的特征表示。我们的框架将这些组件集成到教师-学生体系结构中，以有效地利用 labeled 和 unlabeled 数据。全面评估了六个多样化的超声数据集（淋巴结、乳腺病灶、甲状腺结节和前列腺），结果显示在 5% 标注比例下，Switch 在 LN-INT 上达到 80.04% Dice 评分，在 DDTI 上达到 85.52% Dice 评分，在前列腺数据集上达到 83.48% Dice 评分，半监督方法甚至超过了 fully supervised 的基线。该方法保持参数效率（180 万参数），同时实现卓越的性能，验证了其在资源受限的医学影像应用中的有效性。源代码公开于 https://github.com/jinggqu/Switch
引用
@article{arxiv.2603.18655,
title = {Multiscale Switch for Semi-Supervised and Contrastive Learning in Medical Ultrasound Image Segmentation},
author = {Jingguo Qu and Xinyang Han and Yao Pu and Man-Lik Chui and Simon Takadiyi Gunda and Ziman Chen and Jing Qin and Ann Dorothy King and Winnie Chiu-Wing Chu and Jing Cai and Michael Tin-Cheung Ying},
journal= {arXiv preprint arXiv:2603.18655},
year = {2026}
}
备注
This is the author-submitted LaTeX version with original typesetting. The final published version (with IEEE production formatting and layout changes) is available at http://doi.org/10.1109/TNNLS.2026.3669814 under CC BY 4.0 license