基于小波变换的双向复制粘贴半监督医学图像分割方法——WT-BCP
计算机视觉与模式识别
2025-04-22 v1
摘要
半监督医学图像分割（SSMIS）在减少稀缺标注医学数据方面显示出前景。然而，SSMIS 领域面临着标注数据与未标注数据之间的分布不匹配、人工扰动导致训练偏差以及对原始图像信息利用不足（尤其是低频（LF）和高频（HF）成分）等挑战。为此，我们提出一种基于小波变换的双向复制粘贴 SSMIS 框架，命名为 WT-BCP，该方法改进了 Mean Teacher 方法。我们通过在标注图像和未标注图像之间复制随机裁剪区域来增强未标注数据理解，并运用 WT 提取 LF 和 HF 细节。我们提出一种多输入多输出模型 named XNet-Plus，用于接收 WT 后的融合信息。此外，一致性训练中的多个输出之间的一致性训练有助于缓解人工扰动引入的学习偏差。在一致性训练期间，将经 WT 混合后的图像输入到两个模型中，学生模型的输出由伪标签和真实标签监督。在 2D 和 3D 数据集上进行的大量实验确认了该模型的有效性。代码: https://github.com/simzhangbest/WT-BCP。
引用
@article{arxiv.2504.14445,
title = {WT-BCP: Wavelet Transform based Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation},
author = {Mingya Zhang and Liang Wang and Limei Gu and Tingsheng Ling and Xianping Tao},
journal= {arXiv preprint arXiv:2504.14445},
year = {2025}
}
备注
6 pages