基于协同引导的伪标签区域监督半监督医学图像分割框架
计算机视觉与模式识别
2024-11-14 v2 机器学习
摘要
半监督学习因其利用丰富无标签数据以增强模型鲁棒性的潜力受到广泛关注。伪标签化是半监督学习中广泛使用的方法之一。然而,现有方法常受噪声污染,这会削弱模型性能。为解决这一挑战,我们引入一种新的基于协同引导的伪标签区域监督(SGRS-Net)框架。基于mean teacher网络,我们采用Mix Augmentation模块来增强无标签数据。通过评估数据在增强前后的协同性,我们策略性地将伪标签划分为多个 distinct 区域。此外,我们引入区域损失评估模块来评估每个划分区域上的损失。在LA数据集上进行的大量实验表明,我们的框架在SOTA技术之上表现出优异性能,凸显了其效率和实用性。
引用
@article{arxiv.2411.04493,
title = {Synergy-Guided Regional Supervision of Pseudo Labels for Semi-Supervised Medical Image Segmentation},
author = {Tao Wang and Xinlin Zhang and Yuanbin Chen and Yuanbo Zhou and Longxuan Zhao and Tao Tan and Tong Tong},
journal= {arXiv preprint arXiv:2411.04493},
year = {2024}
}