VQ-Seg: Perturbação de Tokens com Quantização Vetorial para Segmentação Semi-Supervisionada de Imagens Médicas
VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation
January 15, 2026
Autores: Sicheng Yang, Zhaohu Xing, Lei Zhu
cs.AI
Resumo
A aprendizagem de consistência com perturbação de características é uma estratégia amplamente utilizada na segmentação semi-supervisionada de imagens médicas. No entanto, muitos métodos de perturbação existentes dependem do *dropout* e, portanto, requerem um ajuste manual cuidadoso da taxa de *dropout*, que é um hiperparâmetro sensível, frequentemente difícil de otimizar e que pode levar a uma regularização subótima. Para superar esta limitação, propomos o VQ-Seg, a primeira abordagem a empregar quantização vetorial (VQ) para discretizar o espaço de características e introduzir um novo módulo de perturbação quantizada (QPM) controlável que substitui o *dropout*. O nosso QPM perturba as representações discretas através da reorganização das localizações espaciais dos índices do livro de códigos, permitindo uma regularização eficaz e controlável. Para mitigar a potencial perda de informação causada pela quantização, concebemos uma arquitetura de ramo duplo onde o espaço de características pós-quantização é partilhado pelas tarefas de reconstrução de imagem e de segmentação. Além disso, introduzimos um Adaptador de Características Pós-VQ (PFA) para incorporar orientação de um modelo base (*foundation model*), suplementando a informação semântica de alto nível perdida durante a quantização. Adicionalmente, recolhemos um conjunto de dados de larga escala de Cancro do Pulmão (LC) composto por 828 tomografias computadorizadas anotadas para carcinoma pulmonar do tipo central. Experiências extensivas no conjunto de dados LC e noutros benchmarks públicos demonstram a eficácia do nosso método, que supera as abordagens mais avançadas. Código disponível em: 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.