具有噪声伪标签学习的鲁棒半监督医学图像分割使用扩散模型-计算机科学-半监督学习-扩散模型-医学图像分割.pdf

具有噪声伪标签学习的鲁棒半监督医学图像分割使用

扩散模型

LinXi,YingliangMa,Cheng

Wang,SandraHowell,AldoRinaldi,andKawalS.Rhode

UniversityofEastAnglia,NorwichNR47TJ,UnitedKingdom

King’sCollegeLondon,LondonSE17EH,UnitedKingdom

{l.xi,yingliang.ma}@uea.ac.uk

本摘要在医学领域获取像素级标注既昂贵又耗时，通常需要临床专家和开发

译人员紧密合作。半监督医疗图像分割旨在利用有限的标注数据和大量的未

中标注数据来实现准确的分割。然而，现有的半监督方法往往难以在潜在空

间中构建语义分布，这是由于伪标签引入的噪声所导致的问题。在这篇论

1

v文中，我们提出了一种用于半监督医学图像分割的新扩散框架。我们的方

9法通过在去噪扩散过程中强制执行基于原型的对比一致性来向语义标签的

2

4潜在结构中引入约束。模型利用集中于潜在空间中的类原型作为锚点，而

6不是明确划定语义边界。这一策略提升了密集预测的鲁棒性，特别是在存

1.在噪声伪标签的情况下尤为明显。我们还引入了一个新的公开基准：X射线

7血管造影视频多目标分割（MOSXAV），它为X射线血管造影视频中的多

0

5个解剖结构提供了详细的、手工标注的分割地面实况。在EndoScapes2023

2和MOSXAV数据集上的广泛实验表明，我们的方法在半监督学习设置下

:

v优于最先进的医学图像分割方法。这项工作展示了一个稳健且数据高效的

i

x扩散模型，它为广泛的临床应用提供了增强的灵活性和强大的潜力。

r

a

Keywords:半监督学习·表征学习·扩散模型·医学图像分割。

1介绍

医学图像分割涉及像素级分类，是一项至关重要的密集预测任务，在提

高疾病诊断、监测和评估的准确性方面发挥着重要作用。近年来，基于学习

的方法[25,24,1,16,19,14,31]显著优于传统方法，全监督图像分割由于标注数

据丰富而实现了更高的准确率。换句话说，大规模带有手动注释的图像数据

集[20,15,8,17,18]通常需要用于训练稳健且可泛化的深度神经网络进行密集

Correspondingauthor:Y.Ma

2L.Xietal.

预测任务例如，如图像分割。然而，获取像素级标注具有挑战性，因为这既

费时又劳力。如此巨大的标注成本促使社区开发半监督学习方法[13,33,5]。

鉴于未标记的数据在实践中通常比较丰富，半监督学习已成为医学图像

分割的一种有吸引