半监督的从2D自然图像预训练模型中进行的3D医学分割

于红博

摘要: 本文探讨了从在2D自然图像上预训练的通用视觉模型向3D医学图像分割中转移知识的方法。我们关注半监督设置，其中只有少量带标签的3D医学图像可用，以及大量未标记的图像。为了解决这个问题，我们提出了一个模型无关的框架，逐渐将知识从一个2D预训练模型转移到从头训练的3D分割模型。我们的方法M&N涉及两个模型的迭代协同训练，使用彼此生成的伪掩码，以及我们提出的学习率引导采样，自适应地调整每个训练批次中带标签和未标记数据的比例，以与模型的预测准确性和稳定性保持一致，减少不准确伪掩码造成的不良影响。对多个公开可用数据集进行的广泛实验证明，M&N实现了最先进的性能，在所有不同设置下均优于十三种现有的半监督分割方法。重要的是，消融研究表明M&N仍然是模型无关的，允许与不同架构无缝集成。这确保了随着更先进的模型的出现，其适应性。该代码可在https://github.com/pakheiyeung/M-N上找到。

更新时间: 2025-09-18 17:17:52

领域: cs.CV,cs.AI,cs.LG

下载: http://arxiv.org/abs/2509.15167v1