24、医学图像分割的自适应解剖对比度方法

医学图像分割的自适应解剖对比度方法

1. 方法概述

1.1 问题陈述

给定医学图像数据集 $(X, Y)$，目标是训练一个分割模型 $F$，该模型能准确地将每个像素分配到对应的 $K$ 类分割标签。

1.2 模型设置

默认基于 ACTION 管道构建工作，它是半监督医学图像分割的先进对比学习（CL）框架。骨干模型采用学生 - 教师框架，二者架构相同，教师的参数是学生参数的指数移动平均。主要组件如下：
1. 全局对比蒸馏预训练
2. 局部对比蒸馏预训练
3. 解剖对比度微调

1.3 全局和局部预训练

创建两种解剖视图：
1. 增强视图：$x_1$ 和 $x_2$ 由未标记的输入扫描通过两个独立的数据增强操作得到。
2. 挖掘视图：从未标记部分随机采样 $n$ 个样本（即 $x_3$）并进行额外增强。

对 $[x_1, x_2]$ 对通过学生 - 教师网络 $[F_s, F_t]$ 处理，$x_3$ 由 $F_t$ 编码。编码器 $E$ 后的全局潜在特征 $[h_1, h_2, h_3]$ 和解码器 $D$ 后的局部输出特征 $[f_1, f_2, f_3]$ 通过两层非线性投影器编码，生成全局和局部嵌入 $v_g$ 和 $v_l$。$F_s$ 输出的 $v$ 由非线性预测器分别编码，以全局和局部方式生成 $w$。

通过 SoftMax 函数处理增强视图和挖掘视图之间的关系相似度：
$u_s = \log\frac{\exp(\text{sim}(w_1, v_3)/\tau_s)}{\sum_{n = 1}^{N