M3 高级水平: 基于高低级特征一致性的互 mask 混合半监督医学图像分割.pdfVIP

M高级水平:基于高低级特征一致性的互mask混

合半监督医学图像分割

YajunLiu,ZenghuiZhang,JiangYue,WeiweiGuo,andDongyingLi

ShanghaiKeyLaboratoryofIntelligentSensingandRecognition,ShanghaiJiao

TongUniversity,Shanghai,China

{liuyajun,zenghui.zhang,dongying.li}@

DepartmentofEndocrinologyandMetabolism,RenjiHospital,SchoolofMedicine,

ShanghaiJiaoTongUniversity,Shanghai,China

rjnfm3083@163.com

本CenterforDigitalInnovation,TongjiUniversity,Shanghai,China

译weiweiguo@

中

1

v摘要由CutMix启发的数据增强方法在最近的半监督医学图像分割任务

2中显示出了显著的潜力。然而，这些方法通常以僵化和缺乏灵活性的方式

5

7应用CutMix操作，并且对特征级一致性约束关注不足。本文提出了一种名

3为MutualMaskMixwithHigh-Lowlevelfeatureconsistency(MHL)

0

.的新方法，以应对上述挑战，该方法包含两个关键组成部分：1)M：一种

8由掩码图像建模（MIM）策略启发的增强数据扩充操作，通过动态调整的

0

5掩码生成空间互补图像对进行协作训练，从而实现标注图像和未标注图像

2之间的有效信息融合。2)HL：一个层级一致性正则化框架，强制执行未

:

v标注图像和混合图像之间高层级与低层级特征的一致性，使模型能够更好

i

x地捕捉判别特征表示。我们的方法在广泛采用的医学图像分割基准数据集

r

aACDC和LA上实现了最先进的性能。源代码可在/

PHPJava666/M3HL获取。

Keywords:半监督学习·医学图像分割·互掩码混合·特征一致性约束。

1介绍

半监督医学图像分割（SSMIS）旨在仅利用有限的标注数据实现与全监

督方法相当的表现，有效