面向医学图像的局部判别表示无监督学习

许多医学图像分析任务（如识别病变亚型或分割解剖结构的精细组分）都需要局部判别表示。然而，常用的有监督表示学习方法需要大量标注数据，而无监督判别表示学习通过学全局特征来区分不同图像，二者均不适用于局部化医学图像分析任务。为避免这两种方法的局限，我们在本工作中将局部判别引入无监督表示学习。该模型包含两支：一支为嵌入分支，学习嵌入函数以在低维超球面上分散不相似像素；另一支为聚类分支，学习聚类函数以将相似像素分类至同一簇。这两支以互利方式同时训练，学到的局部判别表示能够很好地度量局部图像区域的相似性。这些表示可迁移以增强各类下游任务。同时，它们也可在来自仿真或具有相似拓扑特征的其他结构的拓扑先验指导下，应用于从无标注医学图像中聚类解剖结构。所提方法的有效性与实用性通过增强各类下游任务以及在视网膜图像和胸部X射线图像中聚类解剖结构得到验证。