VQ-Seg: Vector-gekwantiseerde Tokenperturbatie voor Semi-gestuurd Medisch Beeldsegmentatie
VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation
January 15, 2026
Auteurs: Sicheng Yang, Zhaohu Xing, Lei Zhu
cs.AI
Samenvatting
Consistentieleren met feature-perturbatie is een veelgebruikte strategie bij semi-gesuperviseerde medische beeldsegmentatie. Veel bestaande perturbatiemethoden zijn echter gebaseerd op dropout, waardoor een zorgvuldige handmatige afstemming van de dropout-rate nodig is – een gevoelige hyperparameter die vaak moeilijk te optimaliseren is en kan leiden tot suboptimale regularisatie. Om deze beperking te overwinnen, stellen we VQ-Seg voor, de eerste aanpak die vectorquantisatie (VQ) gebruikt om de feature-ruimte te discretiseren en een nieuwe, controleerbare Quantized Perturbation Module (QPM) introduceert die dropout vervangt. Onze QPM verstoort discrete representaties door de ruimtelijke posities van codeboek-indices te shuffelen, wat effectieve en controleerbare regularisatie mogelijk maakt. Om mogelijk informatieverlies door quantisatie tegen te gaan, ontwerpen we een dual-branch architectuur waarin de post-quantisatie-featureruimte gedeeld wordt door zowel beeldreconstructie- als segmentatietaken. Bovendien introduceren we een Post-VQ Feature Adapter (PFA) om begeleiding van een foundation model (FM) in te bouwen, zodat hoogwaardige semantische informatie die tijdens quantisatie verloren gaat, wordt aangevuld. Verzamelen we een grootschalige Longkanker (LC) dataset met 828 CT-scans geannoteerd voor centraal type longcarcinoom. Uitgebreide experimenten op de LC-dataset en andere publieke benchmarks tonen de effectiviteit van onze methode aan, die state-of-the-art benaderingen overtreft. Code beschikbaar op: 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.