低对比度增强对比学习用于半监督内窥镜图像分割
计算机视觉与模式识别
2025-02-03 v2
摘要
内窥镜图像的分割在计算机辅助诊断和治疗中发挥着关键作用。深度学习的进步促进了大量模型用于内窥镜肿瘤分割，取得了令人鼓舞的分割性能。尽管近期的进展，但由于标注有限以及对比度较低的问题，精确分割仍然具有挑战性。为此，我们提出了一种新型的半监督分割框架，称为LoCo，通过低对比度增强对比学习（LCC）实现。这种创新方法有效地利用了内窥镜图像分割中大量未标注数据的潜力，提高了分割过程的准确性和鲁棒性。具体而言，LCC包含两种先进策略，以增强低对比度像素的区分性：类别间对比度增强（ICE）和边界对比度增强（BCE），从而实现对恶性肿瘤、良性肿瘤和正常组织中低对比度像素的分割。此外，设计了基于置信度的动态滤波器（CDF），用于伪标签选择，增强了对少数类别未标注数据的伪标签利用。在两个公开数据集以及一个收集了三年的大型专有数据集上进行的广泛实验表明，LoCo实现了最先进的成果，显著优于先前方法。LoCo的源代码可在链接处获取：https://github.com/AnoK3111/LoCo。
引用
@article{arxiv.2412.02314,
title = {Low-Contrast-Enhanced Contrastive Learning for Semi-Supervised Endoscopic Image Segmentation},
author = {Lingcong Cai and Yun Li and Xiaomao Fan and Kaixuan Song and Ruxin Wang and Wenbin Lei},
journal= {arXiv preprint arXiv:2412.02314},
year = {2025}
}