基于元标签的自步对比学习用于半监督医学图像分割
计算机视觉与模式识别
2021-08-24 v2
摘要
在大量无标签数据上利用对比学习预训练识别模型已显示出提升下游任务（如图像分类）性能的巨大潜力。然而，在医学影像等领域，收集无标签数据可能具有挑战性且成本高昂。在本工作中，我们提出将对比学习适配于元标签标注，以在即使没有额外无标签数据可用的情况下提升模型在医学图像分割中的性能。元标签（如 3D MRI 扫描中 2D 切片的位置或所用设备类型）通常在采集过程中免费获得。我们使用元标签预训练图像编码器，并用于正则化半监督训练，其中使用缩减的标注数据集进行训练。最后，为充分利用弱标注，采用自步学习方法来辅助学习并从噪声中区分有用标签。在三个不同医学图像分割数据集上的结果表明，我们的方法：i) 极大提升了在少量扫描上训练的模型的性能，ii) 优于以往的对比与半监督方法，iii) 接近在全量数据上训练的模型的性能。
引用
@article{arxiv.2107.13741,
title = {Self-Paced Contrastive Learning for Semi-supervised Medical Image Segmentation with Meta-labels},
author = {Jizong Peng and Ping Wang and Chrisitian Desrosiers and Marco Pedersoli},
journal= {arXiv preprint arXiv:2107.13741},
year = {2021}
}