融合公平因子的半监督学习医学图像分割模型

来源：电子测量技术杂志2024年第23期北京时间：

作者：武丽，丁琴，葛彩成

单位：1.无锡学院电子信息工程学院 无锡 214000; 2.南京信息工程大学电子与信息工程学院 南京 210000

摘要：为解决部分稀缺医学图像分割任务中目标语义类别分布不平衡导致的模型泛化能力受限问题，本文提出一种半监督学习的医学图像分割模型CDCL-SSLNet。通过UNet和Swin-UNet两种不同属性的分割子模型进行交叉学习，实现特征优势互补。引入类分布公平因子和类学习公平因子对损失函数合理加权，动态地指导模型学习语义类别不平衡数据，有效减小学习偏差，进而提高模型泛化能力。实验选取Synapse多器官分割数据集中5%、10%的数据模拟标签数据对模型进行训练。CDCL-SSLNet在仅有5%和10%的标签数据参与训练的情况下，其Dice系数分别达到了65.71%和77.49%，HD95则分别为28.97和22.07，这两项指标的性能提升幅度均达到了17%。结果表明CDCL-SSLNet能够兼顾大目标及微小目标的精准分割，有效解决了稀缺数据中类分布不平衡导致的模型泛化能力不足的问题，有效提升了医学图像分割的效率与准确性。

关键词：半监督学习;图像分割;U-Net;公平因子;Transformer

基金资助：国家青年自然基金(62106111)、2022年第二批产学合作协同育人项目(220903806051637)资助