S&D Messenger：交换语义与领域知识以实现通用半监督医学图像分割
计算机视觉与模式识别
2024-07-11 v1
摘要
半监督医学图像分割 (SSMIS) 已成为解决医学领域耗时的人工标注挑战的一种有前景的方案。然而，在实际场景中，数据集内通常存在领域差异，从而衍生出半监督医学领域泛化 (Semi-MDG) 和无监督医学领域自适应 (UMDA) 等派生场景。在本文中，我们旨在开发一个掌握所有三项任务的通用框架。我们注意到三个场景中存在一个关键的共同挑战：用于分割性能的显式语义知识和用于泛化性的丰富领域知识分别独占地存在于有标签集和无标签集中。这种差异阻碍了现有方法在半监督设置下有效理解这两种知识。为了应对这一挑战，我们开发了一个语义与领域知识信使 (S&D Messenger)，它促进了有标签集和无标签集之间的直接知识传递，从而允许模型在每次单独的学习流中理解这两者。配备了我们的 S&D Messenger，一个朴素的伪标签方法在 SSMIS (+7.5%)、UMDA (+5.6%) 和 Semi-MDG 任务 (+1.14%) 的六个基准数据集上，与为特定任务设计的 SOTA 方法相比，取得了巨大的提升。
引用
@article{arxiv.2407.07763,
title = {S&D Messenger: Exchanging Semantic and Domain Knowledge for Generic Semi-Supervised Medical Image Segmentation},
author = {Qixiang Zhang and Haonan Wang and Xiaomeng Li},
journal= {arXiv preprint arXiv:2407.07763},
year = {2024}
}
备注
10 pages, under review of IEEE Transcations on Medical Imaging