VQ-Seg: Векторно-квантованная пертурбация токенов для полуавтоматической сегментации медицинских изображений

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

January 15, 2026

Авторы: Sicheng Yang, Zhaohu Xing, Lei Zhu

cs.AI

Аннотация

Обучение согласованности с возмущением признаков является широко используемой стратегией в полуавтоматической сегментации медицинских изображений. Однако многие существующие методы возмущения основываются на dropout и требуют тщательной ручной настройки коэффициента dropout, который представляет собой чувствительный гиперпараметр, часто сложный для оптимизации и способный привести к субоптимальной регуляризации. Для преодоления этого ограничения мы предлагаем VQ-Seg — первый подход, использующий векторное квантование (VQ) для дискретизации пространства признаков и внедряющий новый управляемый модуль квантованного возмущения (QPM), заменяющий dropout. Наш QPM возмущает дискретные представления путем перестановки пространственных расположений индексов кодовой книги, обеспечивая эффективную и управляемую регуляризацию. Для смягчения потенциальных потерь информации, вызванных квантованием, мы разработали двухветвевую архитектуру, в которой проквантованное пространство признаков используется совместно для задач реконструкции изображений и сегментации. Кроме того, мы вводим адаптер признаков после квантования (PFA) для включения guidance от фундаментальной модели (FM), восполняя потерянную при квантовании семантическую информацию высокого уровня. Дополнительно мы собрали масштабный набор данных по раку лёгких (LC), содержащий 828 КТ-снимков с разметкой центрального типа карциномы лёгкого. Многочисленные эксперименты на наборе LC и других публичных бенчмарках демонстрируют эффективность нашего метода, который превосходит современные подходы. Код доступен по адресу: 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.