基于深层拉普拉斯金字塔的层次差异学习 (SWDL) 用于半监督 3D 脑出血分割
图像与视频处理
2025-06-13 v1 计算机视觉与模式识别
机器学习
摘要
近期医学成像技术的进展确立了基于深度学习的分割方法作为主流方案，但通常需要大量手动标注数据。然而，脑出血 (ICH) 的标注过程繁琐且成本高昂，导致标注数据稀缺。半监督学习 (SSL) 作为解决标注数据不足的有前景方案，在体积医学图像分割领域尤为适用。与传统 SSL 方法主要关注高置信伪标签或一致性正则化不同，我们提出 SWDL-Net，一种新型 SSL 框架，利用拉普拉斯金字塔和深度卷积上采样的互补优势。拉普拉斯金字塔在锐化边缘方面表现突出，深度卷积通过灵活的特征映射提升细节精度。我们的框架通过差异学习机制有效整合这些互补方法，实现对病灶细节和边界的优异分割。在 271 例 ICH 数据集和公共基准数据集上的大量实验表明，SWDL-Net 在仅有 2% 标注数据时即可超越当前最先进方法。额外在公共脑出血分割数据集 (BHSD) 上的评估（标注数据为 5%）进一步确认了我们方法的优势。代码和数据已发布于 https://github.com/SIAT-CT-LAB/SWDL。
引用
@article{arxiv.2506.10325,
title = {SWDL: Stratum-Wise Difference Learning with Deep Laplacian Pyramid for Semi-Supervised 3D Intracranial Hemorrhage Segmentation},
author = {Cheng Wang and Siqi Chen and Donghua Mi and Yang Chen and Yudong Zhang and Yinsheng Li},
journal= {arXiv preprint arXiv:2506.10325},
year = {2025}
}
备注
11 pages, 4 figures, 6 Tables