Semi-MoE：Mixture-of-Experts 方案用于半监督组织病理图像分割
计算机视觉与模式识别
2025-09-18 v1
摘要
半监督学习已被用于缓解组织病理图像分割需要大量标记数据的瓶颈，但现有方法在因糖母体边界模糊和形态学误分类而产生的噪声伪标签方面表现不佳。本文提出Semi-MOE，据我们所知，首个用于半监督组织病理图像分割的多任务Mixture-of-Experts框架。我们的做法利用三个专门的专家网络：主分割专家、符号距离场回归专家和边界预测专家，各自专注于捕获不同的形态特征。随后，多门控伪标签模块动态聚合专家特征，实现稳健的混合-精炼伪标签机制。此外，为消除手动调参同时动态平衡多个学习目标，我们提出了自适应多目标损失。广泛的GlaS和CRAG基准实验表明，我们的方法在少量标记数据下超越了最先进的方法，凸显了基于MoE架构在半监督分割方面的潜力。我们的代码已公开于https://github.com/vnlvi2k3/Semi-MoE。
引用
@article{arxiv.2509.13834,
title = {Semi-MoE: Mixture-of-Experts meets Semi-Supervised Histopathology Segmentation},
author = {Nguyen Lan Vi Vu and Thanh-Huy Nguyen and Thien Nguyen and Daisuke Kihara and Tianyang Wang and Xingjian Li and Min Xu},
journal= {arXiv preprint arXiv:2509.13834},
year = {2025}
}
备注
Accepted to BMVC 2025