基于双阈值对比学习的无监督超声图像分类与分割

基于置信度的伪标签选择通常会生成过于自信且不正确的预测，由于模型早期的误导性以及对不准确伪标签的过拟合，这在半监督对比学习中造成严重性能下降。此外，分割和分类任务被独立处理，亲和性未能得到充分探索。在解决这些问题方面，我们提出了一种 novel 基于双阈值对比学习的半监督策略，用于超声图像的分类和分割，命名为Hermes。该策略将对比学习与半监督学习的优势结合在一起，伪标签通过提供额外指导辅助对比学习。具体而言，还开发了一个跨任务注意力和显著性模块，以促进分割和分类任务之间的信息共享。此外，设计了一个跨任务一致性学习策略，以对齐两者任务中的肿瘤特征，避免负迁移以减少特征差异。为解决公开超声数据集匮乏的问题，我们收集了SZ-TUS数据集，即甲状腺超声图像数据集。大量实验在两个公开超声数据集和一个私有数据集上表明，Hermes在各种半监督设置下 consistently 优于多个最先进方法。