摘要:虽然医学图像分割已经取得了令人印象深刻的进展,但它通常受到劳动密集型和昂贵的像素级注释的限制。现有的半监督学习方法忽略了医学图像中不同类别之间的内在不平衡性和高度相似性。为了解决上述问题,我们提出了一个渐进式混合对比学习(ContrMix)框架,该框架包含一个循环混合模块和一个基于混合的对比学习模块。在cycle -mix中,设计了一种具有周期损失的渐进式混合策略,以增强混合分割与相应生成的混合样本之间的一致性,有效增强了对不平衡医疗数据几何特征的学习能力。我们还引入了一个基于混合的对比学习模块,该模块学习混合补丁与原始补丁之间的实例间相似性,从而鼓励模型从不同扭曲的样本中学习背景不变表示,提高了高相似类别的语义识别能力。我们在ACDC数据集和LA数据集上进行了广泛的实验,我们的方法优于其他最先进的半监督方法。
1. INTRODUCTION 介绍
由于获取医学图像密集像素级注释相关的挑战,半监督学习(SSL)技术作为一种新的技术已经引起了广泛的关注。用有限数量的注释数据训练模型的有效方法[1,2]。基于流形假设和平滑假设[3],一致性正则化在SSL框架中得到了广泛的应用。其中一个突出的框架是Mean Teacher[4],它已经证明了它在各种视觉任务中的有效性。基于混合的数据处理策略近年来引起了大量的研究[5,6]。一些研究已经在SSL中引入了适当的基于混合的数据增强技术,以进一步提高性能[7]。然而,由于医学图像固有的样本数量不平衡和不同类别之间高度相似的问题,简单地将该框架应用于医学图像是不够的。他们忽略了混合补丁与相应输入样本之间固有的语义相似关系,这已被证明有利于增强模型表示能力[8]。此外,基于混合的数据增强策略尚未自适应集成到平均教师框架中。基于混合的数据增强方法破坏了原始图像内部固有的几何结构,从而在一定程度上加剧了确认偏差问题[9]。为了解决上述问题,我们提出了一种用于半监督