邻居关系同样重要：基于密度感知的医学半监督分割对比学习
计算机视觉与模式识别
2024-12-31 v1 机器学习
摘要
在医学图像分析中，多器官半监督分割面临标签不足和软组织对比度低等挑战。为此，现有研究通常采用伪标签和一致性正则化等半监督分割技术。然而，这些方法主要依赖单个数据样本进行训练，忽略了特征空间中丰富的邻域信息。本文认为，可直接从特征空间的几何结构中提取监督信息。灵感来源于基于密度的聚类假设，我们提出使用特征密度来定位特征聚类中的稀疏区域。我们的目标是通过解决稀疏性问题来增大类内紧凑性。为实现此目标，我们提出了一种密度感知对比学习（DACL）策略，将稀疏区域中锚定特征推向由高密度正样本近似的聚类中心，从而形成更紧凑的聚类。具体而言，我们的方法利用有标签和无标签数据样本构建密度感知邻域图，以估计特征密度并定位稀疏区域。我们还将标签引导的协训练与密度引导的几何正则化结合，以形式化对无标签数据的互补监督。在Multi-Organ Segmentation Challenge数据集上的实验表明，我们提出的方法在医学图像分割任务中优于现有SOTA方法，凸显了其有效性。
引用
@article{arxiv.2412.19871,
title = {Neighbor Does Matter: Density-Aware Contrastive Learning for Medical Semi-supervised Segmentation},
author = {Feilong Tang and Zhongxing Xu and Ming Hu and Wenxue Li and Peng Xia and Yiheng Zhong and Hanjun Wu and Jionglong Su and Zongyuan Ge},
journal= {arXiv preprint arXiv:2412.19871},
year = {2024}
}