面向生物医学语义分割的非分布部数据监督
计算机视觉与模式识别
2025-07-17 v1
摘要
生物医学分割网络在有限且不完美的医疗数据集上学习时，容易发生前景与背景对象之间的意外误分类。受非分布部 (OoD) 数据在其他视觉任务中强大能力的启发，本文提出一种数据中心框架 Med-OoD，通过引入 OoD 数据监督来解决此问题，且无需：（i）外部数据源、（ii）特征正则化目标、（iii）额外标注。该方法可无缝集成到分割网络中，无需修改网络结构。大量实验表明，Med-OoD 在医学图像上显著防止了各种分割网络的像素误分类，在 Lizard 数据集上实现了显著的性能提升。我们还提出一种新兴的学习范式：完全使用 OoD 数据训练医学分割网络（无需前景类别标签），惊人地达到了 76.1% 的 mIoU 测试结果。我们希望这一学习范式能引发人们重新思考 OoD 数据的作用。代码已公开于 https://github.com/StudioYG/Med-OoD。
引用
@article{arxiv.2507.12105,
title = {Out-of-distribution data supervision towards biomedical semantic segmentation},
author = {Yiquan Gao and Duohui Xu},
journal= {arXiv preprint arXiv:2507.12105},
year = {2025}
}
备注
This paper was published in Proceedings of SPIE Volume 13442 and is reprinted with permission. The official version is available at https://doi.org/10.1117/12.3052988. One personal copy is allowed. Reproduction, distribution, or commercial use is prohibited