面向医学图像分割的样例学习

医学图像标注通常需要专家知识，因此带来耗时且昂贵的数据标注成本。为减轻此负担，我们提出一种新颖的学习场景——样例学习（EL），以探索利用单张标注图像样例进行医学图像分割的自动化学习过程。这一创新的学习任务特别适用于医学图像分割，其中所有类别的器官可在一张图像中呈现并一次性标注。为应对这一极具挑战的EL任务，我们提出一种基于样例学习的合成网络（ELSNet）框架用于医学图像分割，其实现了创新的基于样例的数据合成、基于像素-原型的对比嵌入学习，以及基于伪标签的未标注数据利用。具体而言，ELSNet引入两个新的图像分割模块：样例引导合成模块，通过从给定样例合成带标注样本来丰富并多样化训练集；以及基于像素-原型的对比嵌入模块，通过对比表示学习增强基础分割模型的判别能力。此外，我们部署了两阶段分割模型训练过程，利用预测伪分割标签来挖掘未标注数据。为评估这一新学习框架，我们在多个器官分割数据集上进行了广泛实验并给出深入分析。实证结果表明所提样例学习框架产生了有效的分割结果。