Boosting Semi-Supervised Medical Image Segmentation Through Inter-Instance Information Complementarity

Shuai Wu

doi:10.1109/tnnls.2025.3649537

Boosting Semi-Supervised Medical Image Segmentation Through Inter-Instance Information Complementarity

2026-01-01

1

PRE

AI

DOI：10.1109/tnnls.2025.3649537

原文链接

原文求助

摘要

En 中文

医学图像分割中专家标注数据的获取仍是关键瓶颈，从而限制了高精度模型的临床应用。关键在于，尽管标注数据稀缺，但人群中人体解剖结构的内在同质性为通过利用实例间解剖互补性来增强模型泛化能力和训练效率提供了基础（或：提供了有前景的切入点）。本研究提出了一种新型半监督医学图像分割方法，充分利用了实例间的解剖互补性。所提出的模型在两个层面运行，在简单的平均教师（MT）框架内集成了复杂的复制粘贴增强模块（CPAM）和可训练区域校准机制（TRCM）。具体而言，CPAM是一种精心设计的复制粘贴策略，促进样本间信息区域的交换，从而增强训练数据的多样性和鲁棒性。TRCM利用标注区域的预测来引导和校准无标注数据中的可训练区域。校准区域通常产生高质量的伪标签，有效改善模型训练。CPAM和TRCM协同工作，相互补充以提升模型性能。在涵盖MRI和CT模态的多样化医学图像数据集（包括LA、ACDC、BraTS2019和Pancreas-NIH）上的实验证明了我们提出模型的稳健有效性。在标注数据有限的情况下，该模型在多个评估指标上持续优于当前最先进方法。代码可在https://github.com/shuaiaihang/shuaiAIMedcalLab获取。

Keyword:

Image segmentation

Data models

Training

Accuracy

Robustness

Predictive models

Annotations

Semantics

Contrastive learning

Buildings

Copy-paste data augmentation

inter-instance information complementarity

medical image segmentation

trainable region calibration

Boosting Semi-Supervised Medical Image Segmentation Through Inter-Instance Information Complementarity

摘要

期刊

机构

引用论文