SemiSAM+：重新审视基础模型时代的半监督医学图像分割
图像与视频处理
2025-03-03 v1 计算机视觉与模式识别
摘要
基于深度学习的医学图像分割通常需要大量标注数据进行训练，由于标注成本高昂，这使其在临床环境中的应用受到限制。半监督学习（SSL）已成为一种极具吸引力的策略，因为与完全监督方法相比，它减少了对从专家处获取大量标注的依赖。除了通过设计新颖的正则化策略来实现现有以模型为中心的 SSL 进步之外，我们预期由于以 Segment Anything Model（SAM）为代表的、具有通用分割能力且使用位置提示的可提示分割基础模型的出现，将带来范式转变。在本文中，我们提出了 SemiSAM+，一个由基础模型驱动的 SSL 框架，用于从有限的标注数据中高效学习医学图像分割。SemiSAM+ 包含一个或多个作为通用模型的可提示基础模型，以及一个作为专家模型的可训练任务特定分割模型。对于给定的新分割任务，训练基于专家-通用模型协作学习过程，其中可训练的专家模型传递位置提示以与冻结的通用模型交互从而获取伪标签，随后通用模型的输出为专家模型提供信息丰富且高效的监督，这反过来又有利于自动分割和提示生成。在两个公开数据集和一个内部临床数据集上的大量实验表明，SemiSAM+ 实现了显著的性能提升，特别是在标注极其有限的场景下，并作为一种即插即用的策略展现出强大的效率，可轻松适应不同的专家模型和通用模型。
引用
@article{arxiv.2502.20749,
title = {SemiSAM+: Rethinking Semi-Supervised Medical Image Segmentation in the Era of Foundation Models},
author = {Yichi Zhang and Bohao Lv and Le Xue and Wenbo Zhang and Yuchen Liu and Yu Fu and Yuan Cheng and Yuan Qi},
journal= {arXiv preprint arXiv:2502.20749},
year = {2025}
}