文章目录
ACTION++: Improving Semi-supervised Medical Image Segmentation with Adaptive Anatomical Contrast
摘要
医学数据往往表现为长尾分布,类不平衡严重,这自然导致对少数类(即边界区域或稀有对象)的分类困难。最近的工作通过配备无监督对比标准,显着改善了长尾场景下的半监督医学图像分割。然而,在类别分布高度不平衡的标记部分数据中,它们的表现如何仍不清楚。
在这项工作中,我们提出了action++,一个改进的对比学习框架,具有自适应解剖对比,用于半监督医学分割。
- 提出了一种自适应监督对比损失,我们首先计算类中心在嵌入空间上均匀分布的最优位置(即离线),然后通过鼓励不同的类特征自适应匹配这些不同且均匀分布的类中心来进行在线对比匹配训练。
- 此外,我们认为盲目地在长尾医疗数据的对比损失中采用恒温τ并不是最优的,并建议通过简单的余弦调度使用动态τ来更好地区分多数和少数类别。
根据经验,我们在ACDC和LA基准上评估action++,并表明它在两个半监督设置中达到了最先进的水平。
从理论上分析了自适应解剖对比的性能,证实了其在标签效率方面的优越性。
本文方法
action++概述:(1)采用解剖感知温度调优器进行全局和局部预训练;(2)采用自适应解剖对比微调,首先预先计算出类中心在嵌入空间上均匀分布的最优位置(即离线),然后通过鼓励不同的类特征根据解剖特征自适应匹配这些不同且均匀分布的类中心,进行在线对比匹配训练。
- x 1和x 2从未标记的输入扫描中通过两个单独的数据增强算子增强
- n个样本(即x 3)从未标记的部分随机采样,并进行额外的增强。
- 得到三个全部潜在的特性后,编码器E和局部特性输出解码器D后是由两层编码的非线性投影仪,生成全局和局部嵌入。从f的v分别由非线性预测器编码,以全局和局部方式产生w
微调阶段的潜在动机是减少预训练模型对长尾未标记数据的脆弱性
实验结果