用于标签高效医学图像分割的半监督对比学习

深度学习方法在医学图像分割任务中的成功严重依赖于大量标注数据以监督训练。另一方面，生物医学图像的标注需要领域知识且可能十分费力。近期，对比学习已展现出在无需任何标签情况下学习图像潜在表示的巨大潜力。已有工作探索了其在仅少量数据被标注的生物医学图像分割中的应用，通过基于自监督对比学习、不使用任何标签的预训练阶段，随后仅对标注部分数据进行有监督微调阶段。在本文中，我们确立：通过在预训练阶段纳入有限的标签信息，可提升对比学习的性能。我们提出一种有监督局部对比损失，利用有限的像素级标注迫使具有相同标签的像素在嵌入空间中聚集。此类损失需要像素级计算，对大图像可能开销高昂，我们进一步提出下采样和分块两种策略以解决该问题。我们在两个不同模态的公开生物医学图像数据集上评估了我们的方法。在不同数量的标注数据下，我们的方法始终优于最先进的基于对比的方法及其他半监督学习技术。