基于2D自然图像预训练模型的半监督3D医学图像分割
计算机视觉与模式识别
2025-09-19 v1 人工智能
机器学习
摘要
本文探索了从在2D自然图像上预训练的通用视觉模型迁移知识以改进3D医学图像分割。我们聚焦于半监督设定，其中仅有少量标注的3D医学图像可用，同时有大量未标注图像。为解决这一问题，我们提出了一种模型无关的框架，通过该框架从2D预训练模型向从头训练的3D分割模型渐进地蒸馏知识。我们的方法M&N涉及两个模型的迭代协同训练，使用彼此生成的伪掩码，以及我们提出的学习率引导采样，该采样自适应地调整每个训练批次中有标签和无标签数据的比例，以与模型的预测准确性和稳定性对齐，从而最小化不准确伪掩码造成的不利影响。在多个公开数据集上的广泛实验表明，M&N在所有不同设定下均达到了最先进的性能，超越了十三种现有的半监督分割方法。重要的是，消融研究表明M&N保持模型无关性，允许与不同架构无缝集成。这确保了随着更先进模型的出现而具有适应性。代码可在 https://github.com/pakheiyeung/M-N 获取。
引用
@article{arxiv.2509.15167,
title = {Semi-Supervised 3D Medical Segmentation from 2D Natural Images Pretrained Model},
author = {Pak-Hei Yeung and Jayroop Ramesh and Pengfei Lyu and Ana Namburete and Jagath Rajapakse},
journal= {arXiv preprint arXiv:2509.15167},
year = {2025}
}
备注
Machine Learning in Medical Imaging (MLMI) 2025 Oral