用于医学图像分割的对比与选择性隐嵌入
计算机视觉与模式识别
2022-05-02 v2
摘要
医学图像分割已被广泛认为是临床诊断、分析和治疗规划的关键步骤。然而，费力且昂贵的标注过程拖慢了进一步发展的速度。基于对比学习的权重预训练通过利用无标签数据学习良好表征提供了一种替代方案。在本文中，我们研究对比学习如何有益于通用的有监督医学分割任务。为此，提出块拖锯对比正则化（PDCR），以由连续亲和度分数控制程度的块级牵引与排斥。并设计了一种称为不确定性感知特征选择块（UAFS）的新结构来执行特征选择过程，其可处理由高不确定性少数特征引起的学习目标偏移。通过将所提两个模块插入现有分割架构，我们在来自 6 个领域的 8 个公开数据集上取得了最先进（SOTA）结果。新设计的模块进一步将训练数据量降至四分之一，同时取得相当甚至更好的性能。从这个角度看，我们通过进一步挖掘标签中包含的信息，走上了与原始自/无监督对比学习相反的方向。
引用
@article{arxiv.2201.08779,
title = {Contrastive and Selective Hidden Embeddings for Medical Image Segmentation},
author = {Zhuowei Li and Zihao Liu and Zhiqiang Hu and Qing Xia and Ruiqin Xiong and Shaoting Zhang and Dimitris Metaxas and Tingting Jiang},
journal= {arXiv preprint arXiv:2201.08779},
year = {2022}
}