面向体医学图像分割预训练的多级非对称对比学习
计算机视觉与模式识别
2025-02-14 v3 人工智能
摘要
医学图像分割是一项基础且具有挑战性的任务，其难点在于从专家处获取大量高质量标注数据的过程艰辛。对比学习为这一困境提供了一种有前景但仍存在问题的解决方案。首先，现有医学对比学习策略侧重于提取图像级表示，忽略了丰富的多级表示。此外，它们要么随机初始化解码器，要么将其与编码器分开预训练，从而忽视了编码器与解码器之间潜在的协作。为解决这些问题，我们提出一种名为MACL的新型多级非对称对比学习框架，用于体医学图像分割预训练。具体而言，我们设计了一种非对称对比学习结构，同时预训练编码器与解码器，为分割模型提供更好的初始化。此外，我们开发了一种多级对比学习策略，整合特征级、图像级和像素级表示之间的对应关系，以确保编码器和解码器在预训练阶段从不同尺度和粒度的表示中捕获全面细节。最后，在8个医学图像数据集上的实验表明，我们的MACL框架优于现有11种对比学习策略。即，在10%标注数据下，我们的MACL在ACDC、MMWHS、HVSMR和CHAOS上分别比先前最佳结果高出1.72%、7.87%、2.49%和1.48%的Dice系数，且可视化结果预测更精确。我们的MACL在5种U-Net变体骨干网络中也具有强泛化能力。我们的代码将发布于https://github.com/stevezs315/MACL。
引用
@article{arxiv.2309.11876,
title = {Multi-level Asymmetric Contrastive Learning for Volumetric Medical Image Segmentation Pre-training},
author = {Shuang Zeng and Lei Zhu and Xinliang Zhang and Micky C Nnamdi and Wenqi Shi and J Ben Tamo and Qian Chen and Hangzhou He and Lujia Jin and Zifeng Tian and Qiushi Ren and Zhaoheng Xie and Yanye Lu},
journal= {arXiv preprint arXiv:2309.11876},
year = {2025}
}