面向半监督医学图像分割的不确定性感知跨训练
计算机视觉与模式识别
2025-08-13 v1
摘要
半监督学习因其减少对专家标注依赖的能力而在医学图像分割任务中受到广泛关注。一些基于均值教师 (MT) 的半监督方法利用一致性正则化有效地利用 unlabeled 数据，但这些方法往往过度依赖学生模型，忽视模型内认知偏差的潜在影响。另一些方法采用基于不同输入的伪标签进行协同训练，但在训练期间生成来自扰动输入的高置信度伪标签仍是一个重大挑战。本文提出了一种用于半监督医学图像分割的不确定性感知跨训练框架 (UC-Seg)。我们的 UC-Seg 框架包含两个互异的子网，有效探索并利用它们之间的关联，从而减轻模型内的认知偏差。具体而言，我们提出了一种跨子网一致性保持 (CCP) 策略，以增强特征表示能力并确保两个子网间的特征一致性。该策略使每个子网能够纠正自身偏差并从 labeled 和 unlabeled 数据中学习共享语义。此外，我们提出了一种不确定性感知伪标签生成 (UPG) 组件，利用两个子网的分割结果及其对应的不确定性图来生成高置信度伪标签。我们在涵盖 MRI、CT、超声、结肠镜等多种医学图像模态的分割任务上广泛评估了所提方法。结果表明，我们的方法在分割精度和泛化性能方面优于其他当前最先进的半监督方法。我们的代码将在 https://github.com/taozh2017/UCSeg 上发布。
引用
@article{arxiv.2508.09014,
title = {Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation},
author = {Kaiwen Huang and Tao Zhou and Huazhu Fu and Yizhe Zhang and Yi Zhou and Xiao-Jun Wu},
journal= {arXiv preprint arXiv:2508.09014},
year = {2025}
}
备注
14 pages, 10 figures