医学图像分割的像素级反事实对比学习
计算机视觉与模式识别
2026-03-19 v1 机器学习
摘要
图像分割依赖大规模标注数据集，而这些数据集昂贵且制作耗时。银标准（AI 生成）标签较易获取，但风险在于会引入偏差。仅需图像的自监督学习已成为预训练的关键方法。最近的工作将对比学习与反事实生成相结合，可改进分类任务的表征学习，但难以直接扩展到像素级任务。我们提出了将反事实生成与稠密对比学习相结合的管线，包括 Dual-View（DVD-CL）和 Multi-View（MVD-CL）方法，以及利用可用银标准标注的监督变体。还引入了一种新的可视化算法，即基于颜色编码的高分辨率叠加图（CHRO-map）。实验表明，无标注的 DVD-CL 在其他稠密对比学习方法中表现优异，利用银标准标签的监督变体相对于直接训练银标准标签数据表现更好，在具有挑战性数据上的 DSC 达到约 94%。这些结果凸显了通过反事实生成和银标准标注提升像素级对比学习的鲁棒性，以应对获取和病理变异。
引用
@article{arxiv.2603.17110,
title = {Pixel-level Counterfactual Contrastive Learning for Medical Image Segmentation},
author = {Marceau Lafargue-Hauret and Raghav Mehta and Fabio De Sousa Ribeiro and Mélanie Roschewitz and Ben Glocker},
journal= {arXiv preprint arXiv:2603.17110},
year = {2026}
}
备注
Accepted at ISBI-2026 (oral presentation)