SynMatch：基于稀疏标注重塑医学图像分割中的一致性
计算机视觉与模式识别
2025-08-12 v1
摘要
标签稀缺是深度学习基于医学图像分割的主要挑战。最近的研究使用强弱伪监督来利用无标签数据。然而，性能常受伪标签与其对应无标签图像之间不一致性的制约。在本工作中，我们提出了SynMatch框架，通过合成图像来匹配伪标签，从而绕开了需要提高伪标签的需求。具体而言，SynMatch利用从生成对应伪标签的同一分割模型中提取的纹理和形状特征合成图像。这种设计使我们能够在无需为图像合成训练参数的情况下生成高度一致的合成图像-伪标签对。我们在半监督学习(SSL)、弱监督学习(WSL)和 barely监督学习(BSL)设置下广泛评估了SynMatch，评估设置包括越来越有限的标注。结果表明，SynMatch在各个方面均实现了优异的性能，尤其是在最具挑战性的BSL设置下。例如，在5%和10%scribble标注下，SynMatch分别比最新强弱伪监督方法提高了29.71%和10.05%。代码将在https://github.com/Senyh/SynMatch上发布。
引用
@article{arxiv.2508.07298,
title = {SynMatch: Rethinking Consistency in Medical Image Segmentation with Sparse Annotations},
author = {Zhiqiang Shen and Peng Cao and Xiaoli Liu and Jinzhu Yang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2508.07298},
year = {2025}
}