Towards reliable learning: anchoring and control methods for semi-supervised medical image segmentation
Abstract
在半监督医学图像分割中, 对未标记数据的稳定, 可控利用是影响模型性能的重要因素. 目前主流方法多采用教师–学生框架, 并通过指数移动平均由学生模型平滑更新教师参数. 然而, 当伪标签质量不佳时, 学生模型梯度优化方向会受到影响; 更为严重的是, 在指数移动平均更新机制下, 教师模型会被动地进行错误参数更新, 从而导致误差逐步累积与放大, 最终削弱整个训练过程的稳定性与可靠性. 本文提出了一种面向可靠学习的半监督医学图像分割方法, 即锚定控制 (Anchoring and Control, AnCo) 框架, 通过锚定与控制机制的协同作用, 有效抑制训练过程中的噪声传播, 从而提升模型的稳定性与可靠性. (1)基于稳定锚点的梯度修正: 将在有标签数据上预训练的教师模型作为稳定锚点, 设计基于可靠教师-学生一致性的正则化项来修正噪声伪标签对学生模型训练梯度的影响, 并从理论上证明了该方法的有效性; (2)基于噪声感知的参数更新控制: 教师模型在参数更新过程中, 依据学生参数的可靠性对教师模型的参数更新进行主动筛选与自适应调节, 从而有效抑制噪声传播, 提升训练过程的稳定性与鲁棒性. 在多个2D/3D医学图像分割基准上进行了大量实验, 结果表明了AnCo的有效性和泛化能力, 并显著超越现有最先进方法.
Fields of Study & Subjects
Medical Image Segmentation Techniques
Domain Adaptation and Few-Shot Learning
Advanced Neural Network Applications
Publication details
- Journal / source
- Scientia Sinica Informationis
- Volume
- 56
- Issue
- 8
- Pages
- 1911–1911
- Publication date
- 2 March 2026
- Language
- EN