PCLMix：通过像素级对比学习和动态混合增强实现弱监督医学图像分割
计算机视觉与模式识别
2024-05-21 v3
摘要
在弱监督医学图像分割中，结构先验的缺失和类别特征分布的离散性带来了一个挑战，即如何准确地将监督信号从局部区域传播到全局区域，而不将其过度扩散到其他不相关区域。为解决此问题，我们提出了一种新颖的弱监督医学图像分割框架，名为 PCLMix，包含动态混合增强、像素级对比学习和一致性正则化策略。具体而言，PCLMix 建立在一个异构双解码器骨干网络上，通过在训练期间采用动态混合增强策略来解决结构先验缺失的问题。为处理类别特征的离散分布，PCLMix 结合了基于预测不确定性的像素级对比学习，有效增强了模型区分类别间像素差异和保持类别内一致性的能力。此外，为加强分割一致性和鲁棒性，PCLMix 采用了一个辅助解码器进行双重一致性正则化。在推理阶段，辅助解码器将被丢弃，不会增加计算复杂度。在 ACDC 数据集上的大量实验表明，PCLMix 能够适当地将局部监督信号传播到全局尺度，进一步缩小了弱监督与全监督分割方法之间的差距。我们的代码可在 https://github.com/Torpedo2648/PCLMix 获取。
引用
@article{arxiv.2405.06288,
title = {PCLMix: Weakly Supervised Medical Image Segmentation via Pixel-Level Contrastive Learning and Dynamic Mix Augmentation},
author = {Yu Lei and Haolun Luo and Lituan Wang and Zhenwei Zhang and Lei Zhang},
journal= {arXiv preprint arXiv:2405.06288},
year = {2024}
}