基于动态教师切换与层次一致性的草稿监督医学图像分割
计算机视觉与模式识别
2026-01-26 v3
摘要
草稿监督方法已涌现出用于缓解医学图像分割中 annotation 负担的高昂成本。然而，这些 annotation 本身稀疏，引入显著歧义性，导致噪声的伪标签传播，阻碍鲁棒解剖边界的学习。为此，我们提出了 SDT-Net，这是一种 novel 的双教师、单学生框架，旨在最大化来自这些弱信号的监督质量。本方法包含 Dynamic Teacher Switching（DTS）模块，以适应性方式选择最可靠的教师。该教师通过两种协同机制引导学生：经 Pick Reliable Pixels（PRP）机制细化的高置信度伪标签，以及由 Hierarchical Consistency（HiCo）模块强制执行的多层特征对齐。在 ACDC 和 MSCMRseg 数据集上的大量实验表明，SDT-Net 实现了最先进的性能，产生更准确且解剖上合理的分割结果。
引用
@article{arxiv.2601.14563,
title = {Scribble-Supervised Medical Image Segmentation with Dynamic Teacher Switching and Hierarchical Consistency},
author = {Thanh-Huy Nguyen and Hoang-Loc Cao and Dat T. Chung and Mai-Anh Vu and Thanh-Minh Nguyen and Minh Le and Phat K. Huynh and Ulas Bagci},
journal= {arXiv preprint arXiv:2601.14563},
year = {2026}
}