SRA-Seg：半监督医学图像分割的合成到真实对齐
计算机视觉与模式识别
2026-02-04 v1
摘要
合成数据作为医学图像分割的替代方案，因其视觉逼真而备受青睐，但持续未能提升分割性能。其原因在于合成图像与真实医学图像处于不同的语义特征空间中，形成域间隙，当前半监督学习方法无法弥合。我们提出SRA-Seg框架，专为医学图像分割设计对齐合成与真实特征分布。SRA-Seg引入相似性对齐（SA）损失，使用冻结的DINOv2嵌入将合成表示拉向语义空间中最近的真实对应物。我们采用软边缘混合创建平滑的解剖过渡和连续标签，消除传统复制粘贴数据增强中的硬边界。该框架通过EMA教师模型为合成图像生成伪标签，并应用尊重混合区域不确定性的软分割损失。我们的实验显示：仅使用10%标记的真实数据和90%合成无标记数据，SRA-Seg在ACDC上实现89.34% Dice，在FIVES上实现84.42%，显著优于现有半监督方法，同时与使用真实无标记数据的模型性能相当。
引用
@article{arxiv.2602.02944,
title = {SRA-Seg: Synthetic to Real Alignment for Semi-Supervised Medical Image Segmentation},
author = {OFM Riaz Rahman Aranya and Kevin Desai},
journal= {arXiv preprint arXiv:2602.02944},
year = {2026}
}