SuperCL:用于医学图像分割预训练的超像素引导对比学习
计算机视觉与模式识别
2025-04-22 v1 人工智能
摘要
医学图像分割是一项关键但具有挑战性的任务,主要难点在于难以获得大量高质量、由专家标注的图像数据集。对比学习为这一问题提供了一种潜在但仍存在问题的解决方案。因为现有的大多数方法侧重于提取实例级或像素到像素的表示,忽略了图像内相似像素组之间的特征。此外,在考虑对比对生成时,大多数 SOTA 方法主要依赖于人工设定阈值,这需要大量的梯度实验,且缺乏效率与泛化能力。为解决这些问题,我们提出了一种名为 SuperCL 的新型对比学习方法,用于医学图像分割预训练。具体而言,我们的 SuperCL 通过引入两种新颖的对比对生成策略来利用图像的结构先验与像素相关性:图像内局部对比对(ILCP)生成与图像间全局对比对(IGCP)生成。考虑到超像素聚类与对比对生成的概念高度契合,我们利用超像素图为 ILCP 与 IGCP 生成伪掩码,以指导监督对比学习。此外,我们还提出了两个模块,分别称为平均超像素特征图生成(ASP)与连通分量标签生成(CCL),以更好地利用 IGCP 的先验结构信息。最后,在 8 个医学图像数据集上的实验表明,我们的 SuperCL 优于现有的 12 种方法。即我们的 SuperCL 在可视化结果中实现了更精确的预测,在使用 10% 标注的 MMWHS、CHAOS、Spleen 数据集上,相较此前最优结果的 DSC 分别高出 3.15%、5.44%、7.89%。我们的代码将在论文被接收后发布。
引用
@article{arxiv.2504.14737,
title = {SuperCL: Superpixel Guided Contrastive Learning for Medical Image Segmentation Pre-training},
author = {Shuang Zeng and Lei Zhu and Xinliang Zhang and Hangzhou He and Yanye Lu},
journal= {arXiv preprint arXiv:2504.14737},
year = {2025}
}