点击下方卡片，关注 「AI视界引擎」 公众号
( 添加时备注：方向+学校/公司+昵称/姓名 )
半监督医学图像分割(Semi-supervised Medical Image Segmentation)旨在利用有限的标注数据和丰富的未标记数据进行准确分割。然而，现有的半监督方法高度依赖于自生成伪标签的质量，容易出现不正确的监督和确认偏差。同时，它们在潜在空间中捕获标签分布的能力不足，对未标记数据的泛化能力有限。为了解决这些问题，本文提出了一种用于半监督医学图像分割的Latent Diffusion标签校正模型(DiffRect)。DiffRect首先利用标签上下文校准模块(Label Context Calibration Module, LCC)通过学习伪标签中的分类相关来校准类之间的偏差关系，然后在隐空间上应用隐层特征校正模块(Latent Feature correction Module, LFR)通过Latent Diffusion来制定和对齐不同级别的伪标签分布。它利用去噪网络学习粗到细、细到精的连续分布传输。通过在ACDC、MS-CMRSEG和Decathlon Prostate上的实验结果证明了DiffRect的有效性。代码已开源。
• 论文链接：https://arxiv.org/pdf/2407.09918
• 代码链接：https://github.com/CUHK-AIM-Group/DiffRect
图1 DiffRect的整体框架。(a)标签上下文校准模块(LCC)。(b)隐层特征整流模块(LFR)。(c)分割网络。
unset
unset标签上下文校准模块LCCunset
unset
对于包含C种不同类的的数据集，本文构建了一个由C种RGB颜色组成的颜色集，每种颜色由范围为[0,255]的三个值组成的元组表示。进而式样将语义伪标签映射到视觉空间中：为了使用语义标签进行上下文校准，本文设计了一个语义上下文嵌入块，该块将伪标签嵌入到潜在特征中，并且采用正弦嵌入将未标记数据的附加校准指导和标记数据的附加校准指导编码到块中：
它使模型能够更好地捕获语义上下文，并为未标记和标记的数据改进伪标签。
unset
unset隐层特征矫正模块LFRunset
unset
为了解决不同质量水平的伪标签之间的分布不一致问题，提出了一个隐层特征校正模块(LFR)，应用隐层扩散过程来模拟标签质量分布的运输。对于无监督数据，学习其从粗糙的伪标签到精细的伪标签的迁移过程：
unset
unset损失函数unset
unset
DiffRect框架的训练包括两个部分:(1)分割网络U-Net的优化(Seg Loss)和(2)语义上下文嵌入块和去噪U-Net的联合优化(Diff Loss)。
unset
unset和现有方法对比unset
unset
unset
unset消融实验unset
unset
本文为了解决半监督医学图像分割中的依赖风险和分布不一致问题，提出了DiffRect，一个基于扩散模型的框架来解决这个问题。它包括两个模块:LCC旨在通过学习分类相关来校准伪标签中类别之间的偏差关系，LFR通过隐空间扩散准确地模拟伪标签从粗到细、从细到精的连续迁移分布。在三个数据集上进行的实验表明，DiffRect的性能明显优于现有的方法。
点击上方卡片，关注 「AI视界引擎」 公众号