Semantic Class Distribution Learning for Debiasing Semi-Supervised Medical Image Segmentation¶

会议: CVPR 2026
arXiv: 2603.05202
代码: github.com/Zyh55555/SCDL
领域: 医学图像分割 / 半监督学习
关键词: 半监督分割, 类别不平衡, 分布学习, 代理对齐, 语义锚

一句话总结¶

提出即插即用的SCDL框架，通过学习类条件代理分布(双向对齐CDBA)+语义锚约束(SAC)来消除半监督医学图像分割中的长尾偏差，在AMOS 5%标签下DSC提升+11.62%。

医学图像分割面临标注昂贵和严重类别不平衡的双重挑战。大器官在梯度更新中占主导，半监督方法的伪标签和一致性正则化进一步放大这种偏差。现有方法在损失/输出层面操作，未约束类条件特征分布本身。

如何同时缓解监督偏差（梯度被头部类主导）和表示偏差（少数类特征漂移到多数类区域）？

即插即用模块，可集成到GenericSSL/DHC/GA-CPS等现有分割网络。学习每类高斯代理分布\(\mathcal{N}(\mu_c, \text{diag}(\sigma_c^2))\)，注入代理引导先验到解码器各阶段。

类分布双向对齐(CDBA): E2P损失拉嵌入向代理均值；P2E损失让代理区分正/负嵌入。软分配via余弦相似度。双向设计避免多数类梯度主导。
代理采样+特征增强: 从代理分布采样\(S\)个样本，计算分布权重先验/中心相似度先验/token采样先验，拼接投影后加法注入解码器各阶段。
语义锚约束(SAC): 从标注类别mask图像经共享编码器构建语义锚，对齐代理均值到锚：\(\mathcal{L}_{SAC} = \frac{1}{C}\sum_{c}[1 - \cos(\mu_c, \text{anchor}_c)]\)。提供有监督引导稳定代理学习。

CDBA对齐损失 + SAC损失 + base分割损失。SCDL weight decay 1e-4，batch 4。

设置	SCDL变体	基线	增益
Synapse 20% DSC	SCDL-DHC: 49.17%	DHC: 46.16%	+3.01%
AMOS 5% DSC	SCDL-GenericSSL: 47.35%	GenericSSL: 35.73%	+11.62%
AMOS 5% ASD	SCDL-DHC: 17.47	DHC: 40.65	-23.18

AMOS上肾上腺从0% Dice恢复到33.9%/30.3%(左/右)。