SemSim：从语义相似性视角重访弱到强一致性，用于半监督医学图像分割
计算机视觉与模式识别
2024-10-18 v1
摘要
医学图像分割的半监督学习（SSL）是一项具有挑战性且极具实际价值的任务，通过利用无标签样本来减少对大规模标注数据集的依赖。在 SSL 技术中，弱到强一致性框架（由 FixMatch 推广）已成为分类任务中的前沿方法。值得注意的是，这种简单的数据流水线在医学图像分割中也展现出竞争性能。然而，两个关键局限性仍然阻碍了其高效适配：（1）忽略语境依赖导致相似语义特征的预测不一致，从而导致对象分割不完整；（2）未充分利用标注数据与无标签数据之间的语义相似性，引发显著的类别分布偏差。为此，我们提出了基于 FixMatch 的一种新型半监督框架，命名为 SemSim，由语义相似性视角下的两种设计驱动：（1）通过推理像素级配对亲和力图来纠正像素级预测，从而显式地将语境依赖整合到最终预测中；（2）通过特征查询机制建立标注数据与无标签数据之间的桥梁，以实现紧凑的类别表示学习，充分考虑跨图像的解剖学相似性。由于可靠的语义相似性提取依赖于稳健的特征表示，我们进一步引入一种有效的空间感知融合模块（SFM）来探索多尺度的独特信息。大量实验表明，SemSim 在三个公开分割基准上均优于当前方法，实现了持续的性能提升。
引用
@article{arxiv.2410.13486,
title = {SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation},
author = {Shiao Xie and Hongyi Wang and Ziwei Niu and Hao Sun and Shuyi Ouyang and Yen-Wei Chen and Lanfen Lin},
journal= {arXiv preprint arXiv:2410.13486},
year = {2024}
}