Plongée dans des pseudo-étiquettes peu fiables pour la segmentation d'images médicales semi-supervisée via une sélection conforme

La segmentation d'images médicales semi-supervisée a récemment connu un grand succès, mais l'attribution de pseudo-étiquettes fiables aux images non étiquetées reste un problème difficile en traitement d'images médicales. Une solution courante consiste à sélectionner des pixels prédits fiables comme pseudo-étiquettes. Cependant, les pixels peu fiables sont souvent concentrés dans les zones de bord du premier plan et de l'arrière-plan dans les tâches médicales. Les ignorer directement entraînera la perte d'une information importante. Le premier plan des images médicales est généralement entouré par la zone de bord. Cette section de pixels est un mélange des deux catégories, ce qui rend la distinction très difficile. Pour résoudre ces problèmes, nous proposons un cadre de segmentation médicale semi-supervisée qui combine la prédiction conforme et l'apprentissage contrastif. Notre cadre peut utiliser la prédiction conforme pour sélectionner des pseudo-étiquettes avec une haute confiance et préserver les informations de frontière importantes. De plus, la performance de segmentation des régions de bord peut être améliorée grâce à l'apprentissage contrastif entre les catégories de bord et les catégories non-bord. D'importants travaux expérimentaux sur plusieurs références montrent que notre cadre surpasse systématiquement les méthodes de pointe.