基于双自监督学习框架的肝脏分割通用性提升

最近，许多肝脏分割方法在局部单源数据集上取得了令人期待的性能。然而，这些方法未充分考虑通用性问题，因此在来自其他数据源的测试数据上表现有限且稳定性低。鉴于不同数据源稀缺，本文旨在提高仅使用单源数据集训练的肝脏分割模型的泛化性能，即单源泛化任务。具体而言，我们提出了一种包含全局和局部解剖背景的双自监督学习模型。该模型旨在充分挖掘腔内和腔外区域的解剖特征，从而增强对高不确定性区域的表征，以实现更稳健的泛化。具体地，我们首先构建了一个受肝脏空间结构指导的全局特征对比自监督学习模块。该模块通过促进类内聚合，获得完整且一致的肝脏特征；同时，通过最大化类间分离，提取更具辨识力的特征以区分肝脏和非肝脏组织，从而减轻周围组织对高不确定性区域分割结果的影响。随后，引入局部图像修复自监督学习模块，以进一步增强高不确定性区域的表征。在该模块中，学习到的解剖背景用于恢复这些区域中被随机破坏的外观模式。