用于二维医学图像分割的对比半监督学习
计算机视觉与模式识别
2021-08-09 v3
摘要
对比学习（CL）是一种近期的表示学习方法，它鼓励所学图像表示中的类间可分离性与类内紧凑性。由于医学图像中常包含图像内的多个语义类别，使用 CL 学习局部特征（而非全局）的表示十分重要。在本工作中，我们提出了一种新颖的半监督二维医学分割方案，该方案在图像块上应用 CL 而非整幅图像。这些图像块是利用通过伪标签获得的各类语义信息有意义地构建的。我们还提出了一种新颖的一致性正则化（CR）方案，其与 CL 协同工作，解决了确认偏差问题，并促进了特征空间中更好的聚类。我们在四个公开医学分割数据集和我们所引入的一个新颖组织病理学数据集上评估了我们的方法。对于所有数据集，我们的方法相较最先进的半监督分割方法均获得了一致的提升。
引用
@article{arxiv.2106.06801,
title = {Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation},
author = {Prashant Pandey and Ajey Pai and Nisarg Bhatt and Prasenjit Das and Govind Makharia and Prathosh AP and Mausam},
journal= {arXiv preprint arXiv:2106.06801},
year = {2021}
}
备注
The paper is withdrawn due to a bug in experimental protocol that renders its experimental results and observations invalid. All expts were conducted by the student authors. The roles of senior authors (Prasenjit Das, Govind Makharia, Prathosh, and Mausam) were in defining the problem statement, discussions of potential solutions and framing of the paper and not in performing experiments