qq_43656233的博客

最近，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，在半监督场景中应用对比学习具有挑战性。为了解决这个问题，我们提出了一种新颖的用于半监督医学图像分割的不确定性引导像素对比学习方法。具体来说，我们为每个未标记图像构建不确定性图，然后去除不确定性图中的不确定性区域以减少噪声采样的可能性。不确定性图是由精心设计的一致性学习机制确定的，该机制通过鼓励两个不同解码器的一致网络输出来生成对未标记数据的全面预测。此外，我们建议图像编码器学习的有效全局表示应该与不同的几何变换等效。

尽管最近半监督学习（SemiSL）方面的工作在自然图像分割方面取得了巨大的成功，但从有限的注释中学习判别性表示的任务一直是医学图像中的一个悬而未决的问题。对比学习（CL）框架使用相似性度量的概念，这对于分类问题很有用，但是它们无法将这些质量表征转移到精确的像素级分割。为此，我们提出了一种新颖的基于半监督补丁的 CL 框架，用于医学图像分割，而不使用任何显式的借口任务。我们利用 CL 和 SemiSL 的强大功能，其中 SemiSL 生成的伪标签通过提供额外的指导来帮助 CL，

我们研究半监督学习问题，使用少量标记数据和大量未标记数据来训练网络，通过开发跨补丁密集对比学习框架来分割组织病理学图像中的细胞核。这项任务的动机是为组织病理学图像分割任务收集标记数据的昂贵负担。我们方法的关键思想是对齐教师和学生网络的特征，从块级和像素级的交叉图像中采样，以增强特征的类内紧凑性和类间可分离性，正如我们所展示的那样，这是有帮助的用于从未标记的数据中提取有价值的知识。我们还设计了一种新颖的优化框架，结合了一致性正则化和熵最小化技术，在消除梯度消失方面表现出良好的性能。