基于双网络的半监督医学图像分割
计算机视觉与模式识别
2025-05-26 v1
摘要
传统的监督式医学图像分割模型需要大量标注数据进行训练；然而，在实际情况下获取大规模标注数据集极具挑战性。近期的半监督分割模型也面临噪声伪标签问题和特征空间监督有限的挑战。为解决这些挑战，我们提出一种创新的三维医学图像分割方法，以减少对大规模专家标注数据集的依赖。此外，我们引入双网络架构以解决现有方法在利用上下文信息和生成可靠伪标签方面的局限。此外，采用自监督对比学习策略以增强网络的表征能力，并通过区分可靠与不可靠的预测来降低预测不确定性。在临床磁共挏成像实验中，我们的方法在性能上优于最先进的技术。我们的代码已公开于 https://github.com/AIPMLab/Semi-supervised-Segmentation。
引用
@article{arxiv.2505.17690,
title = {Semi-Supervised Medical Image Segmentation via Dual Networks},
author = {Yunyao Lu and Yihang Wu and Reem Kateb and Ahmad Chaddad},
journal= {arXiv preprint arXiv:2505.17690},
year = {2025}
}
备注
Accepted in ISBI2025