arXiv cs.AI· Maxx Richard Rahman, Prakhar Kumar, Wolfgang Maass·· 10 小时前AI 评分31
ExiST:面向半监督多器官分割的存在感知自训练方法
ExiST: Existence-Aware Self-Training for Semi-Supervised Multi-Organ Segmentation
AI 导读
针对自训练中教师模型漏检小器官、伪标签将其误标为背景并导致尾部器官被"训练消失"的问题,研究者提出存在感知自训练方法 ExiST,将缺失器官视为"未确定"而非"不存在"。该方法通过独立训练网络的留一法共识构建伪标签,并用验证集质量门筛选、逐扫描逐器官推断器官是否被找到。在 Synapse 20% 标注数据上达到 77.1 平均 Dice,在 AMOS 5% 标注数据上达到 75.9。
正文 · AI 翻译
摘要:半监督多器官分割需要从少量标注扫描中学习十多个器官,而最小的器官占前景不到百分之一。我们识别出一种特定于该场景的自训练失败模式。当教师在扫描中漏掉一个小器官时,该器官的每个体素都会获得置信度高的伪标签背景,学生模型被训练为认为该器官不存在。在许多扫描上重复这一过程,会逐渐消除尾部器官。在一项初步研究中,从伪标签中移除胆囊使其在 AMOS 上的 Dice 从 36.5 降至 1.0。我们认为,缺失的器官应被视为未解决而非不存在,并提出存在感知自训练(ExiST)。它通过独立训练网络的留一法共识构建伪标签,在验证扫描上用质量门控进行筛选,并逐扫描、逐器官推断该器官是否被找到。对于每个未解决的器官,该扫描的背景体素接收集合值目标,使用接受任一答案的边缘交叉熵和跳过不确定体素的 Dice 项进行训练。我们证明,该损失从不将候选器官推向不存在,也从不偏向集合中的任一成员,从而将决定权留给标注证据。ExiST 优于当前最先进方法,在 20% 标注扫描的 Synapse 上达到 77.1 平均 Dice,在 5% 标注扫描的 AMOS 上达到 75.9。
| 学科: | 计算机视觉与模式识别(cs.CV);人工智能(cs.AI) |
| 引用为: | arXiv:2611.23581 [cs.CV] |
| (或此版本的 arXiv:2611.23581v1 [cs.CV]) | |
| https://doi.org/10.48550/arXiv.2611.23581 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Maxx Richard Rahman [查看电子邮件]
[v1]
2026年11月17日星期二 22:27:46 UTC(3,812 KB)
来源:arXiv cs.AI · arxiv.org