最小-最大相似度：一种用于手术器械分割的对比半监督深度学习网络
计算机视觉与模式识别
2023-02-23 v4 图像与视频处理
摘要
使用神经网络分割医学图像的一个常见难题是难以获取大量像素级标注数据用于训练。为解决此问题，我们提出了一种基于对比学习的半监督分割网络。与先前最先进方法不同，我们引入最小-最大相似度（MMS），一种双视角训练的对比学习形式，通过分类器与投影器分别构建全负对以及正-负特征对，从而将学习表述为求解 MMS 问题。全负对用于监督网络从不同视角学习并捕获通用特征，未标注预测的一致性通过正-负对之间的像素级对比损失度量。为定量与定性评估所提方法，我们在四个公开内窥镜手术器械分割数据集以及一个我们手动标注的人工耳蜗植入手术数据集上进行测试。结果表明，我们的方法持续优于最先进的半监督与全监督分割算法。并且我们的半监督分割算法能成功识别未知手术器械并给出良好预测。此外，我们的 MMS 方法推理速度可达约 40 帧每秒（fps），适用于实时视频分割。
引用
@article{arxiv.2203.15177,
title = {Min-Max Similarity: A Contrastive Semi-Supervised Deep Learning Network for Surgical Tools Segmentation},
author = {Ange Lou and Kareem Tawfik and Xing Yao and Ziteng Liu and Jack Noble},
journal= {arXiv preprint arXiv:2203.15177},
year = {2023}
}