ACTION++：利用自适应解剖对比改进半监督医学图像分割

医学数据常呈现具有严重类别不平衡的长尾分布，这自然导致难以分类少数类（即边界区域或稀有对象）。近期工作通过引入无监督对比准则，显著改进了长尾场景下的半监督医学图像分割。然而，在类别分布同样高度不平衡的有标签数据部分中，其表现仍不明晰。本文中，我们提出 ACTION++，一种带自适应解剖对比的改进对比学习框架，用于半监督医学分割。具体而言，我们提出一种自适应监督对比损失：首先离线计算均匀分布于嵌入空间上的类中心最优位置，随后通过鼓励不同类特征自适应匹配这些离散且均匀分布的类中心来进行在线对比匹配训练。此外，我们认为在长尾医学数据上盲目采用对比损失中恒定温度 $\tau$ 并非最优，并提议通过简单余弦调度使用动态 $\tau$ 以在多数类与少数类间获得更好分离。在经验上，我们在 ACDC 和 LA 基准上评估 ACTION++，表明其在两种半监督设定下均达到最优（state-of-the-art）。在理论上，我们分析自适应解剖对比的性能并确认其在标签效率上的优越性。