IDEAL：用于半监督医学图像分割的改进型密集局部对比学习
计算机视觉与模式识别
2023-03-03 v2
摘要
由于标注数据稀缺，对比自监督学习（SSL）框架最近在多项医学图像分析任务中展现出巨大潜力。然而，现有的对比机制因无法挖掘局部特征，对于密集像素级分割任务而言并非最优。为此，我们将度量学习的概念扩展到分割任务，使用密集（不）相似性学习来预训练深度编码器网络，并采用半监督范式针对下游任务进行微调。具体来说，我们提出了一个简单的卷积投影头来获取密集像素级特征，以及一个新的对比损失来利用这些密集投影，从而改善局部表示。针对下游任务，我们设计了一种涉及双流模型训练的双向一致性正则化机制。通过比较，我们的IDEAL方法在心脏MRI分割上以显著优势优于当前最优方法。代码地址：https://github.com/hritam-98/IDEAL-ICASSP23
引用
@article{arxiv.2210.15075,
title = {IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised Medical Image Segmentation},
author = {Hritam Basak and Soumitri Chattopadhyay and Rohit Kundu and Sayan Nag and Rammohan Mallipeddi},
journal= {arXiv preprint arXiv:2210.15075},
year = {2023}
}
备注
Paper accepted for publication at IEEE ICASSP 2023