用于半监督医学图像分割的自集成对比学习
计算机视觉与模式识别
2021-06-15 v2
摘要
深度学习已在使用足量带人工标注训练数据的医学图像分割任务中展现出显著改进。获取具有良好代表性的标注需要专家知识与繁重劳动。本文旨在利用自集成对比学习技术，以有限标注提升半监督医学图像分割的性能。为此，我们提出以少量标注图像在图像层级训练编码器-解码器网络，更重要的是，通过对无标注图像施加对比损失，直接在特征层级学习潜在表示。该方法增强了类内紧凑性与类间可分性，从而获得更优的像素分类器。此外，我们设计了一个用于在线学习的学生编码器，以及其指数移动平均版本（称为教师编码器），以自集成方式迭代提升性能。为利用无标注图像构建对比样本，我们研究了两种利用医学图像间结构相似性并借助伪标签进行构建的采样策略，即区域感知与解剖感知对比采样。我们在 MRI 与 CT 分割数据集上进行了大量实验，表明在有限标注设定下，所提方法达到了最先进的性能。此外，利用伪标签在线准备对比样本的解剖感知策略，对特征表示实现了更好的对比正则化。
引用
@article{arxiv.2105.12924,
title = {Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation},
author = {Jinxi Xiang and Zhuowei Li and Wenji Wang and Qing Xia and Shaoting Zhang},
journal= {arXiv preprint arXiv:2105.12924},
year = {2021}
}