RAIL：用于 CBCT 半监督牙齿分割的区域感知指导学习
计算机视觉与模式识别
2025-05-07 v1
摘要
在标注数据极少的情况下，半监督学习已成为从 CBCT 扫描中进行三维牙齿分割的一种引人注目的方法。然而，现有方法仍面临两个持续存在的挑战：在监督训练期间，对结构模糊或标注错误区域的纠正性监督有限；以及在未标注数据上，因不可靠的伪标签导致的性能下降。为了解决这些问题，我们提出了区域感知指导学习（RAIL），这是一个双组双学生的半监督框架。每组包含两个由共享教师网络指导的学生模型。通过在两组之间交替训练，RAIL 促进了组间知识迁移和协作的区域感知指导，同时减少了对任何单一模型特性的过拟合。具体而言，RAIL 引入了两种指导机制。分歧聚焦监督（DFS）控制器通过仅在学生输出与真实标签和最佳学生均存在分歧的区域指导预测，来改进监督学习，从而将监督集中在结构模糊或标注错误的区域。在无监督阶段，置信度感知学习（CAL）调制器在模型置信度高的区域加强一致性，同时在训练期间降低低置信度预测的影响。这有助于防止我们的模型学习不稳定的模式，并提高伪标签的整体可靠性。在四个 CBCT 牙齿分割数据集上的大量实验表明，RAIL 在有限标注条件下超越了最先进的方法。我们的代码将发布在 https://github.com/Tournesol-Saturday/RAIL。
引用
@article{arxiv.2505.03538,
title = {RAIL: Region-Aware Instructive Learning for Semi-Supervised Tooth Segmentation in CBCT},
author = {Chuyu Zhao and Hao Huang and Jiashuo Guo and Ziyu Shen and Zhongwei Zhou and Jie Liu and Zekuan Yu},
journal= {arXiv preprint arXiv:2505.03538},
year = {2025}
}