VQ-Seg：半教師あり医用画像セグメンテーションのためのベクトル量子化トークン摂動

VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation

January 15, 2026

著者: Sicheng Yang, Zhaohu Xing, Lei Zhu

cs.AI

要旨

特徴量摂動を用いた一貫性学習は、半教師あり医療画像セグメンテーションにおいて広く用いられている手法である。しかし、既存の摂動手法の多くはDropoutに依存しており、敏感なハイパーパラメータであり最適化が困難で準最適な正則化をもたらしうるDropout率の注意深い手動調整を必要とする。この課題を克服するため、我々は特徴空間を離散化するためにベクトル量子化（VQ）を採用し、Dropoutに代わる新規かつ制御可能な量子化摂動モジュール（QPM）を導入する初めての手法であるVQ-Segを提案する。提案するQPMは、コードブックインデックスの空間的位置をシャッフルすることにより離散表現を摂動させ、効果的かつ制御可能な正則化を実現する。量子化に伴う情報損失を軽減するため、画像再構成とセグメンテーションの両タスクで量子化後の特徴空間を共有するデュアルブランチアーキテクチャを設計する。さらに、量子化過程で失われがちな高レベルな意味情報を補完するため、ファウンデーションモデル（FM）からのガイダンスを組み込むポストVQ特徴量アダプタ（PFA）を導入する。加えて、中枢型肺癌に対してアノテーションが施された828件のCTスキャンからなる大規模な肺癌（LC）データセットを構築した。LCデータセット及びその他の公開ベンチマークを用いた大規模な実験により、提案手法が既存の最先端手法を上回る有効性を実証する。コードはhttps://github.com/script-Yang/VQ-Seg で公開している。

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.