基于伪标签自训练的局部对比损失用于半监督医学图像分割

基于监督深度学习的方法在医学图像分割中能产生准确结果。然而，它们为此需要大量标注数据集，而获取这些数据集是耗费人力的任务且需要临床专业知识。基于半监督/自监督学习的方法通过利用未标注数据与有限的标注数据来解决这一限制。近期的自监督学习方法使用对比损失从未经标注的图像中学习良好的全局级别表示，并在 ImageNet 等流行的自然图像数据集上的分类任务中取得高性能。在如分割这样的像素级预测任务中，为了获得更好的精度，关键的是在全局表示之外还要学习良好的局部级别表示。然而，现有的基于局部对比损失的方法对于学习良好局部表示的影响仍然有限，因为相似与不相似的局部区域是基于随机增强和空间邻近性定义的，而非基于局部区域的语义标签，原因在于半监督/自监督设定中缺乏大规模专家标注。在本文中，我们提出一种局部对比损失，通过利用从未经标注图像的伪标签与有限标注图像获得的语义标签信息，来学习有益于分割的良好像素级特征。具体而言，我们将所提损失定义为鼓励具有相同伪标签/标签的像素具有相似表示，同时与数据集中具有不同伪标签/标签的像素表示相异。我们执行基于伪标签的自训练，并通过联合优化所提对比损失（在标注与未标注集上）和分割损失（仅在有限标注集上）来训练网络。我们在三个公开的心脏与前列腺数据集上进行了评估，并获得了高分割性能。