VQ-Seg: Vektorquantisierte Token-Störung für halbüberwachte medizinische Bildsegmentierung
VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation
January 15, 2026
papers.authors: Sicheng Yang, Zhaohu Xing, Lei Zhu
cs.AI
papers.abstract
Konsistenzlernen mit Feature-Perturbation ist eine weit verbreitete Strategie in der semi-überwachten Segmentierung medizinischer Bilder. Viele bestehende Perturbationsmethoden basieren jedoch auf Dropout und erfordern daher eine sorgfältige manuelle Anpassung der Dropout-Rate, die ein sensibler Hyperparameter ist, oft schwer zu optimieren ist und zu suboptimaler Regularisierung führen kann. Um diese Einschränkung zu überwinden, schlagen wir VQ-Seg vor, den ersten Ansatz, der Vektorquantisierung (VQ) zur Diskretisierung des Feature-Raums einsetzt und ein neuartiges und steuerbares Quantized Perturbation Module (QPM) als Ersatz für Dropout einführt. Unser QPM stört diskrete Repräsentationen durch das Mischen der räumlichen Positionen von Codebook-Indizes, was eine effektive und kontrollierbare Regularisierung ermöglicht. Um potenziellen Informationsverlust durch die Quantisierung abzumildern, entwerfen wir eine Dual-Branch-Architektur, in der der post-Quantisierungs-Feature-Raum sowohl von der Bildrekonstruktion als auch von der Segmentierungsaufgabe genutzt wird. Darüber hinaus führen wir einen Post-VQ Feature Adapter (PFA) ein, um Anleitung von einem Foundation Model (FM) zu integrieren und so die während der Quantisierung verlorengegangenen hochleveligen semantischen Informationen zu ergänzen. Des Weiteren haben wir einen umfangreichen Lungenkrebs (LC)-Datensatz mit 828 CT-Scans, die für Zentraltypen von Lungenkarzinomen annotiert sind, zusammengestellt. Umfangreiche Experimente auf dem LC-Datensatz und anderen öffentlichen Benchmarks demonstrieren die Wirksamkeit unserer Methode, die state-of-the-art Ansätze übertrifft. Code verfügbar unter: https://github.com/script-Yang/VQ-Seg.
English
Consistency learning with feature perturbation is a widely used strategy in semi-supervised medical image segmentation. However, many existing perturbation methods rely on dropout, and thus require a careful manual tuning of the dropout rate, which is a sensitive hyperparameter and often difficult to optimize and may lead to suboptimal regularization. To overcome this limitation, we propose VQ-Seg, the first approach to employ vector quantization (VQ) to discretize the feature space and introduce a novel and controllable Quantized Perturbation Module (QPM) that replaces dropout. Our QPM perturbs discrete representations by shuffling the spatial locations of codebook indices, enabling effective and controllable regularization. To mitigate potential information loss caused by quantization, we design a dual-branch architecture where the post-quantization feature space is shared by both image reconstruction and segmentation tasks. Moreover, we introduce a Post-VQ Feature Adapter (PFA) to incorporate guidance from a foundation model (FM), supplementing the high-level semantic information lost during quantization. Furthermore, we collect a large-scale Lung Cancer (LC) dataset comprising 828 CT scans annotated for central-type lung carcinoma. Extensive experiments on the LC dataset and other public benchmarks demonstrate the effectiveness of our method, which outperforms state-of-the-art approaches. Code available at: https://github.com/script-Yang/VQ-Seg.