基于自校正伪标签的同步射线 CT 无监督语义分割
计算机视觉与模式识别
2026-03-03 v1
摘要
X 射线断层扫描 (CT) 是一种广泛使用的成像技术，可对物体内部结构进行详细检查。同步射线 CT (SR-CT) 通过使用更高能量、单色 X 射线实现了更高的数据质量。虽然 SR-CT 允许更高的分辨率、时序实验和减少成像伪影，但它也产生远大于常规 CT 的数据集。准确且高效的评估这些数据集是这些工作流程中的关键组成部分；然而通常是手动完成的，代表了分析阶段的主要瓶颈。虽然深度学习已成为能够提供广泛纯数据驱动解决方案的强大工具，但它需要大量标记数据进行训练，而在实际中对 SR-CT 数据集的手动标注是不可行的。在本文中，我们引入一种新框架，使自动分割大规模高分辨率 SR-CT 数据集成为可能，通过消除为深度学习训练手工标注图像的需求。首先，我们通过在体素值上进行聚类生成伪标签，识别具有相似衰减系数的体积区域，产生初始语义图。随后，我们在伪标签上训练分割模型，然后利用 Unbiased Teacher 方法对其进行自我校正，以确保准确的最终分割。我们发现我们的方法在使用镁晶体 SR-CT 样本时，相对于基线伪标签，像素级准确率提高了 13.31%，mIoU 提高了 15.94%。此外，我们广泛评估了工作流程的不同组件，包括分割模型、损失函数、伪标签策略和输入类型。最后，我们在两个额外样本上评估了我们的方法，凸显了该框架能够产生显著优于原始伪标签的分割结果。
引用
@article{arxiv.2603.00372,
title = {Unsupervised Semantic Segmentation in Synchrotron Computed Tomography with Self-Correcting Pseudo Labels},
author = {Austin Yunker and Peter Kenesei and Hemant Sharma and Jun-Sang Park and Antonino Miceli and Rajkumar Kettimuthu},
journal= {arXiv preprint arXiv:2603.00372},
year = {2026}
}