面向半监督医学图像分割的多尺度交叉对比学习
计算机视觉与模式识别
2023-12-07 v1 人工智能
摘要
半监督学习通过利用未标注数据中的知识，在医学图像分割中展现出巨大潜力。然而，现有多数方法未能显式捕捉远距离区域间的高级语义关系，这限制了其性能。本文聚焦于半监督学习的表征学习，提出一种新颖的多尺度交叉监督对比学习（MCSC）框架，用于分割医学图像中的结构。我们联合训练 CNN 与 Transformer 模型，正则化其特征在不同尺度上保持语义一致。我们的方法基于真值标签与交叉预测标签对比多尺度特征，以提取反映整个数据集中切片内与切片间关系的鲁棒特征表征。为应对类别不平衡，我们考虑每一类的出现频率以引导对比学习，确保特征充分捕捉低频类。在两个多结构医学分割数据集上的大量实验证明了 MCSC 的有效性。它不仅在 Dice 系数上以超过 3.0% 的优势超越最先进的半监督方法，还大幅缩小了与全监督方法的性能差距。
引用
@article{arxiv.2306.14293,
title = {Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image Segmentation},
author = {Qianying Liu and Xiao Gu and Paul Henderson and Fani Deligianni},
journal= {arXiv preprint arXiv:2306.14293},
year = {2023}
}