面向3D医学图像的平移一致性半监督分割
计算机视觉与模式识别
2025-06-03 v3 人工智能
摘要
3D医学图像分割方法已取得成功，但鉴于获取此类标注的成本高昂，其对大量体素级标注数据的依赖是一个亟待解决的缺点。半监督学习（SSL）通过使用大量无标签数据集和少量有标签数据集训练模型来解决这一问题。最成功的 SSL 方法基于一致性学习，即最小化无标签数据的扰动视图所获得的模型响应之间的距离。这些扰动通常保持视图间的空间输入上下文相当一致，这可能导致模型从空间输入上下文中学习分割模式，而非从分割对象中学习。在本文中，我们引入了平移一致性协同训练，这是一种一致性学习 SSL 方法，通过改变空间输入上下文来扰动输入数据视图，使模型能够从视觉对象中学习分割模式。此外，我们提出用新的跨模型置信二元交叉熵（CBC）损失替代常用的均方误差（MSE）半监督损失，以改善训练收敛性并保持对协同训练伪标注错误的稳健性。我们还将 CutMix 扩展到 3D SSL 中以进一步提升泛化能力。我们的 TraCoCo 在不同主干网络下的左心房（LA）和脑肿瘤分割（BRaTS19）数据集上展示了最先进的结果。代码发布于 https://github.com/yyliu01/TraCoCo。
引用
@article{arxiv.2203.14523,
title = {Translation Consistent Semi-supervised Segmentation for 3D Medical Images},
author = {Yuyuan Liu and Yu Tian and Chong Wang and Yuanhong Chen and Fengbei Liu and Vasileios Belagiannis and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2203.14523},
year = {2025}
}
备注
17 pages, 10 Figures and 6 Tables