全局-局部一致半监督分割模型

标注数据减半仍达90% Dice

利用生成对抗学习保持全局结构一致，并通过补丁相关性正则化保留局部相似性，在标注数据有限的情况下显著提升组织病理图像分割精度。

Xi, Guan · 朱旗 · Sun, Liang · Zhao, Junyong · 张道强 · Wan, Peng · Shao, Wei

Pattern Recognition 2024

参数信息

Dice比（Glas数据集）

90.35

Dice比（Crag数据集）

82.61

Dice比（MoNuSeg数据集）

81.60

技术优势

半标记数据即可高精度分割

通过全局-局部一致性正则化，仅用1:1比例的标注数据即可取得优于现有方法的Dice比。

生成对抗学习保持全局结构一致

不同于现有回归匹配方法，采用生成对抗学习确保不同扰动强度下分割结果的全局结构一致性。

补丁相关性正则化保留局部相似性

加入基于补丁相关性的正则项，维持不同扰动图像之间的局部结构相似性，进一步提升分割精度。

应用场景

• 医学影像分析：在标注数据有限时仍能准确分割病理图像中的组织与细胞区域。
• 计算病理学：降低计算病理学分割任务对大量人工标注的依赖。
• 半监督学习：利用未标注数据增强分割模型，减少标注成本。
• 图像分割：提供高质量的半监督分割模型，适用于多类组织病理图像。