面向数据高效的对比医学图像分割的领域与任务聚焦样本选择
计算机视觉与模式识别
2026-03-19 v2
摘要
分割是医学图像处理流程中最重要的任务之一，因为它影响着许多基于图像的决策。为了达到良好的效果，全监督分割方法需要大量手动标注的训练数据。然而，像素级标注过程昂贵、耗时且易错，阻碍了研究进展并使得执行有效分割具有挑战性。因此，模型必须从有限的标注数据中高效学习。自监督学习（SSL），特别是通过在无标签数据上预训练并在有限标注上微调的对比学习，可以促进这种有限标注的图像分割。为此，我们提出了一种用于医学图像分割的新型自监督对比学习框架，利用不同图像之间的内在关系，称为 PolyCL。无需任何像素级标注或不合理的数据增强，我们的 PolyCL 以任务相关的方式从一个创新的代理模型中学习并迁移对分割有用的上下文感知判别特征。此外，我们以两种新颖的方式将 Segment Anything Model（SAM）集成到我们的框架中：作为利用粗略输出导出的边界框提示来提高预测掩码准确性的后处理细化模块，以及通过 SAM 2 作为传播机制从单个标注的 2D 切片生成体积分割。在三个公开的计算机断层扫描（CT）数据集上的实验评估表明，PolyCL 在低数据和跨域场景中均优于全监督和自监督基线。我们的代码可在 https://github.com/tbwa233/PolyCL 获取。
引用
@article{arxiv.2505.19208,
title = {Domain and Task-Focused Example Selection for Data-Efficient Contrastive Medical Image Segmentation},
author = {Tyler Ward and Aaron Moseley and Abdullah-Al-Zubaer Imran},
journal= {arXiv preprint arXiv:2505.19208},
year = {2026}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/2026:002