用于半监督医学图像分割的不确定性引导交叉注意力集成均值教师
计算机视觉与模式识别
2024-12-23 v1
摘要
这项工作提出了一个新颖的框架，不确定性引导交叉注意力集成均值教师（UG-CEMT），以在半监督医学图像分割中实现最先进的性能。UG-CEMT 利用协同训练和知识蒸馏的优势，将受 Vision Transformers (ViT) 启发的交叉注意力集成均值教师框架（CEMT）与强调不确定性的不确定性引导一致性正则化和锐度感知最小化相结合。UG-CEMT 通过促进子网络之间的高差异性，在保持一致的网络架构和任务设置的同时，提高了半监督性能。实验表明，在差异性、领域泛化和医学图像分割性能方面，与 Mean Teacher 和 Cross-pseudo Supervision 等现有方法相比具有显著优势。UG-CEMT 在多中心前列腺 MRI 和心脏 MRI 数据集上取得了最先进的结果，在这些数据集中目标分割尤其具有挑战性。我们的结果表明，仅使用 10\% 的标记数据，UG-CEMT 就接近了全监督方法的性能，证明了其在利用未标记数据进行鲁棒医学图像分割方面的有效性。代码公开可在 \url{https://github.com/Meghnak13/UG-CEMT} 获取。
引用
@article{arxiv.2412.15380,
title = {Uncertainty-Guided Cross Attention Ensemble Mean Teacher for Semi-supervised Medical Image Segmentation},
author = {Meghana Karri and Amit Soni Arya and Koushik Biswas and Nicol`o Gennaro and Vedat Cicek and Gorkem Durak and Yuri S. Velichko and Ulas Bagci},
journal= {arXiv preprint arXiv:2412.15380},
year = {2024}
}
备注
Accepted in WACV 2025