Mine yOur owN Anatomy：以极有限标注重新审视医学图像分割

近期关于对比学习的研究仅借助少量标注就在医学图像分割中取得了卓越性能。现有方法主要关注实例判别与不变映射。然而，它们面临三个常见缺陷：（1）长尾性：医学图像数据通常遵循隐式长尾类分布。盲目利用训练中的所有像素会导致数据不平衡问题并造成性能退化；（2）一致性：由于不同解剖特征间的类内差异，分割模型是否学到了有意义且一致的解剖特征仍不清楚；（3）多样性：整个数据集内的切片内相关性受到的关注显著不足。这促使我们寻求一种原则性方法，策略性地利用数据集自身从不同解剖视角发现相似而相异的样本。本文引入一种称为 Mine yOur owN Anatomy（MONA）的新型半监督 2D 医学图像分割框架，并作出三点贡献。首先，先前工作认为每个像素对模型训练同等重要；我们通过经验观察到，仅此一点不太可能定义有意义的解剖特征，主要由于缺少监督信号。我们展示了两种学习不变性的简单方案——通过使用更强的数据增强与最近邻。其次，我们构建一组目标，鼓励模型以无监督方式将医学图像分解为解剖特征的集合。最后，我们从经验与理论两方面证明了我们的 MONA 在三个基准数据集、不同标注设定下的有效性，在不同标注的半监督设定下取得新的 SOTA。