论文页面 - 质量引导的半监督医学图像分割

来源：https://huggingface.co/papers/2606.01753

摘要

一种用于医学图像分割的质量引导半监督学习框架，通过专用质量预测器提升伪标签可靠性及分割性能。

训练准确的医学图像分割模型需要大量密集标注的数据，而这获取成本高昂且耗时。半监督学习（SSL）通过同时利用丰富的无标签数据和有限的标注数据来缓解这一问题。然而，大多数现代SSL方法依赖无标签数据的伪标签，并通常通过模型置信度或不确定性来评估其可靠性，这些指标是自我参照的，缺乏对分割质量的显式基础。相反，我们提出了一种质量引导的SSL框架，训练一个专用网络从图像-掩模对中估计分割质量。该预测器通过合成损坏增强的变质量掩模以及部分训练分割模型的不完美输出进行训练，从而捕捉训练过程中遇到的真实错误模式。我们将质量预测器通过两种互补机制集成到SSL中：质量感知正则化损失和基于质量的伪标签样本重加权方案。我们表明，我们的方法可作为现有SSL框架的即插即用增强。在五个数据集和多种架构上的大量实验表明，该方法相较于竞争性SSL方法取得了持续改进，推动了半监督医学图像分割的最新水平。

查看 arXiv 页面 (https://arxiv.org/abs/2606.01753) 查看 PDF (https://arxiv.org/pdf/2606.01753) GitHub0 (https://github.com/sfu-mial/QG-SSL) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.01753)

在您的代理中获取此论文：

hf papers read 2606.01753

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型链接至此论文

在模型 README.md 中引用 arxiv.org/abs/2606.01753 以从此页面链接。

引用此论文的数据集0

无数据集链接至此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.01753 以从此页面链接。

引用此论文的 Spaces0

无 Space 链接至此论文

在 Space README.md 中引用 arxiv.org/abs/2606.01753 以从此页面链接。

包含此论文的收藏0

无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从此页面链接。