Dcl-Net：用于半监督多器官分割的双重对比学习网络

半监督学习是缓解对大量标注数据集严格需求的有效措施，尤其是对于具有挑战性的多器官分割任务。然而，大多数现有的半监督学习（SSL）方法独立预测单张图像中的像素，忽略了图像之间和类别之间的关系。在本文中，我们提出了一种用于半监督多器官分割（MoS）的两阶段双重对比学习网络，利用全局和局部对比学习来加强图像与类别之间的关系。具体而言，在第一阶段，我们开发了一种相似度引导的全局对比学习，以探索图像之间隐含的连续性和相似性，并学习全局上下文。随后，在第二阶段，我们提出了一种器官感知的局部对比学习，以进一步吸引类别表示。为了减轻计算负担，我们引入了一种掩码中心计算算法来压缩用于局部对比学习的类别表示。在公开数据集 2017 ACDC 和内部数据集 RC-OARs 上进行的实验证明了本方法的优越性能。