P3Net：用于半监督医学图像分割的渐进式与周期性扰动
图像与视频处理
2025-05-23 v1 计算机视觉与模式识别
摘要
利用多样化的无标签数据进行扰动已被证明对半监督医学图像分割（SSMIS）有益。尽管许多工作已成功使用各种扰动技术，但仍需更深入地理解学习扰动。过度或不适当的扰动可能产生负面影响，因此我们旨在解决两个挑战：如何利用扰动机制通过有标签数据引导无标签数据的学习，以及如何确保边界区域的精确预测。受人类渐进式和周期性学习的启发，我们提出了一种渐进式与周期性扰动机制（P3M）和一个边界聚焦损失函数。P3M 能够动态调整扰动，使模型能够逐步学习它们。我们的边界聚焦损失函数鼓励模型专注于边界区域，增强对复杂细节的敏感性并确保精确预测。实验结果表明，我们的方法在两个 2D 和 3D 数据集上均达到了最先进的性能。此外，P3M 可扩展到其他方法，并且所提出的损失函数可作为改进现有方法的通用工具，这凸显了我们方法的可扩展性和适用性。
引用
@article{arxiv.2505.15861,
title = {P3Net: Progressive and Periodic Perturbation for Semi-Supervised Medical Image Segmentation},
author = {Zhenyan Yao and Miao Zhang and Lanhu Wu and Yongri Piao and Feng Tian and Weibing Sun and Huchuan Lu},
journal= {arXiv preprint arXiv:2505.15861},
year = {2025}
}