语义类别分布学习：用于去偏医学图像分割的半监督方法
计算机视觉与模式识别
2026-03-06 v1
摘要
医学图像分割是计算机辅助诊断的关键任务。然而，密集的像素级标注耗时且昂贵，且医学数据集常常存在严重的类别不平衡。这种不平衡会导致少数结构在特征表示中被占主导地位，阻碍判别特征的学习，使得可靠的分割尤其具有挑战性。为此，我们提出语义类别分布学习 (SCDL) 框架，作为一个即插即用的模块，通过学习结构化的类别条件特征分布来缓解监督和表示偏见。SCDL 集成了类别分布双向对齐 (CDBA)，以可学习的类别原型对齐嵌入，利用语义锚约束 (SAC) 引导原型使用标注数据。在 Synapse 和 AMOS 数据集上的实验表明，SCDL 在整体和类别级别的分割性能均显著提升，尤其在少数类别上取得显著增益，实现了最先进的效果。我们的代码已发布于 https://github.com/Zyh55555/SCDL。
引用
@article{arxiv.2603.05202,
title = {Semantic Class Distribution Learning for Debiasing Semi-Supervised Medical Image Segmentation},
author = {Yingxue Su and Yiheng Zhong and Keying Zhu and Zimu Zhang and Zhuoru Zhang and Yifang Wang and Yuxin Zhang and Jingxin Liu},
journal= {arXiv preprint arXiv:2603.05202},
year = {2026}
}
备注
9 pages, 2 figures