nnFilterMatch：面向高效医学分割的统一半监督学习框架——基于不确定性感知伪标签过滤
计算机视觉与模式识别
2025-09-25 v1
摘要
半监督学习（SSL）已成为医学图像分割中一个有前景的范式，在提供有竞争力的性能的同时大幅减少了对大量人工标注的需求。当与主动学习（AL）结合时，这些策略通过选择性纳入最具信息量的样本进一步减少了标注负担。然而，传统的 SSL_AL 混合方法通常依赖每次标注轮次后的迭代和循环重训练，导致显著的计算开销并限制了临床应用中的可扩展性。在本研究中，我们提出了一种新颖的、标注高效且自适应的深度分割框架，将 SSL 与基于熵的伪标签过滤（FilterMatch）——一种受 AL 启发的机制——整合到单次通过的 nnU-Net 训练分割框架（nnFilterMatch）中。通过在训练期间选择性排除高置信度伪标签，我们的方法避免了重训练循环的需要，同时保留了不确定性引导学习的好处。我们在多个临床分割基准上验证了所提出的框架，并证明即使仅使用 5%–20% 的标注数据，该方法也能达到与全监督模型相当或超越的性能。本工作引入了一种可扩展的端到端学习策略，用于减少医学图像分割中的标注需求，同时不牺牲准确性。代码可在 https://github.com/Ordi117/nnFilterMatch.git 获取。
引用
@article{arxiv.2509.19746,
title = {nnFilterMatch: A Unified Semi-Supervised Learning Framework with Uncertainty-Aware Pseudo-Label Filtering for Efficient Medical Segmentation},
author = {Yi Yang},
journal= {arXiv preprint arXiv:2509.19746},
year = {2025}
}