MMGL：用于半监督心脏图像分割的多尺度多视角全局-局部对比学习

在大规模精标注数据集下，深度学习已在医学图像分割中展现出显著成功。然而，由于需要大量专业知识和昂贵的标注工作，在临床实践中获取丰富标注具有挑战性。近来，对比学习在利用无标注数据进行视觉表征学习方面展现出强大能力，在许多领域达到了媲美监督学习的令人印象深刻的性能。在本工作中，我们提出一种新颖的多尺度多视角全局-局部对比学习（MMGL）框架，以从不同尺度和视角深入挖掘全局与局部特征，实现鲁棒的对比学习性能，从而以有限标注提升分割性能。在 MM-WHS 数据集上的大量实验证明了 MMGL 框架在半监督心脏图像分割上的有效性，大幅优于当前最优的对比学习方法。