通过自监督实现资源高效的多染色肾小球语义分割

领域偏移下的语义分割仍然是计算机视觉中的一项基本挑战，尤其是在标注训练数据稀缺时。这一挑战在组织病理学图像分析中尤为突出，其中相同的组织结构必须在不同的成像条件（染色）下捕获的图像中进行分割，每种条件代表一个独特的视觉域。传统的深度学习方法（如 UNet）需要大量标签，这既昂贵又耗时，特别是在处理多个域（或染色）时。为了缓解这一问题，人们提出了各种基于无监督域适应的方法（如 UDAGAN），它们通过仅要求对一种（源）染色进行标注来减少对标签的需求。尽管如此，获取源染色标签仍然具有挑战性。本文表明，通过自监督预训练——包括 SimCLR、BYOL 以及一种新方法 HR-CS-CO——即使标签减少 95%，这些分割方法（UNet 和 UDAGAN）的性能仍可保持。值得注意的是，在经过自监督预训练且仅使用 5% 标签的情况下，性能下降极小：与各自完全监督的对应方法（无预训练，使用 100% 标签）相比，所有染色平均下来 UNet 下降 5.9%，UDAGAN 下降 6.2%。此外，这些发现被证明可以泛化到其训练分布之外的公共基准数据集。实现代码与预训练模型已公开在线。