原型对比一致性学习：用于半监督医学图像分割的原型方法

医学图像分割是医学图像分析中的关键任务，但当标注数据有限而 unlabeled 数据大量时，这一任务尤其具有挑战性。对比学习在半监督学习中通过从部分像素构建对比样本来证明对医学图像分割有效。然而，尽管以往的对比学习方法可以从图像中的部分像素中挖掘语义信息，但它们忽略了 unlabeled 图像整体上下文信息，这一信息对于精确分割至关重要。为解决此问题，我们提出一种新颖的原型对比学习方法，称为原型对比一致性分割（Prototype Contrastive Consistency Segmentation, PCCS），用于半监督医学图像分割。核心思想是强制同一语义类的原型彼此更接近，并将不同语义类的原型彼此远离。具体而言，我们从 unlabeled 图像构建符号距离图和不确定性图。符号距离图用于构建对比学习的原型，然后从不确定性图中估计原型不确定性作为原型之间的 trade-off。为了获得更好的原型，基于 student-teacher 架构，设计了一种名为 prototype updating prototype 的新机制，以辅助更新对比学习的原型。此外，我们提出一种不确定性一致性损失以从 unlabeled 数据中挖掘更可靠的信息。广泛的实验表明，PCCS 在医学图像分割上优于现有方法。代码可在 https://github.com/comphsh/PCCS 获取。