面向体医学图像分割的位置对比学习

深度学习的成功在很大程度上依赖于大量带标签训练集的可用性。然而，由于严格的隐私问题和昂贵的标注工作，在医学图像领域很难获得大型标注数据集。对比学习作为一种无监督学习技术，已被证明能够从未标注数据中学习图像级表征。随后可将学习到的编码器迁移或微调，以在标签有限的情况下提升下游任务的性能。对比学习中的一个关键步骤是生成对比数据对，这对于自然图像分类相对简单，但由于数据集中存在相同或相似的组织或器官，对于医学图像分割而言则颇具挑战。因此，当应用于医学图像分割时，大多数最先进的对比学习框架不可避免地引入大量假阴性对，导致分割质量下降。为解决此问题，我们提出了一种新颖的位置对比学习（PCL）框架，通过利用体医学图像中的位置信息来生成对比数据对。在CT和MRI数据集上的实验结果表明，与现有方法相比，所提出的PCL方法在半监督设定和迁移学习设定下均能大幅提升分割性能。