用于半监督体医学图像分割的动量对比体素级表示学习
计算机视觉与模式识别
2022-03-08 v4 机器学习
图像与视频处理
摘要
对比学习(CL)旨在医学图像分割背景下不依赖专家标注而学习有用表示。现有方法主要通过将所有输入特征简单映射为同一常数向量，将单个正向量（即同一图像的增强）与批次其余部分中的一组负向量进行对比。尽管经验性能令人印象深刻，这些方法存在以下缺陷：(1) 防止坍缩至平凡解仍是一项艰巨挑战；(2) 我们认为同一图像内并非所有体素都同等为正，因为同一图像中存在不同的解剖结构。在本工作中，我们提出一种新颖的对比体素级表示学习(CVRL)方法，通过沿特征和批次维度捕获三维空间上下文与丰富解剖信息，有效学习低级和高级特征。具体而言，我们首先引入一种新颖的CL策略以确保三维表示维度间的特征多样性提升。我们通过双层对比优化（即低级和高级）在三维图像上训练框架。在两个基准数据集和不同标注设置上的实验证明了我们所提框架的优越性。更重要的是，我们也证明了我们的方法从标准CL方法中继承了困难感知特性的益处。
引用
@article{arxiv.2105.07059,
title = {Momentum Contrastive Voxel-wise Representation Learning for Semi-supervised Volumetric Medical Image Segmentation},
author = {Chenyu You and Ruihan Zhao and Lawrence Staib and James S. Duncan},
journal= {arXiv preprint arXiv:2105.07059},
year = {2022}
}