PCLMix: Weakly Supervised Medical Image Segmentation via Pixel-Level Contrastive Learning and Dynamic Mix Augmentation

在弱监督的医学图像分割中，缺乏结构先验和类特征分布的离散性是一个挑战，即如何在不过度扩散到其他不相关区域的情况下，准确地将监督信号从局部传播到全局区域。为了解决这个问题，我们提出了一种新的弱监督医学图像分割框架PCLMix，包括动态混合增强、像素级对比学习和一致性正则化策略。具体而言，PCLMix建立在异构双解码器骨干网络的基础上，通过训练期间的动态混合增强策略来解决缺乏结构先验的问题。为了处理类特征的离散分布，PCLMix采用基于预测不确定性的像素级对比学习，有效增强了模型区分类间像素差异和类内一致性的能力。此外，为了加强分割的一致性和鲁棒性，PCLMix采用了辅助解码器进行双重一致性正则化。在推理阶段，辅助解码器将被删除，不会增加计算复杂度。在ACDC数据集上进行的大量实验表明，PCLMix能够适当地将局部监督信号传播到全局尺度，进一步缩小了弱监督和完全监督分割方法之间的差距。我们的代码可在https://github.com/Torpedo2648/PCLMix上获得。

本文旨在解决弱监督医学图像分割中的挑战，即如何在不过度扩散到其他不相关区域的情况下，准确地从局部到全局地传播监督信号，以及如何处理类特征分布的离散性。

本文提出了一种名为PCLMix的新型弱监督医学图像分割框架，包括动态混合增强、像素级对比学习和一致性正则化策略。PCLMix基于异构双解码器骨干网络，通过训练期间的动态混合增强策略来解决结构先验的缺失问题。为了处理类特征的离散分布，PCLMix基于预测不确定性融合像素级对比学习，有效提高了模型区分类间像素差异和类内一致性的能力。此外，为了增强分割的一致性和鲁棒性，PCLMix采用双一致性正则化的辅助解码器。在推断阶段，辅助解码器将被丢弃，不会增加任何计算复杂度。

本文的亮点包括：1）PCLMix框架可以适当地将局部监督信号传播到全局尺度，进一步缩小了弱监督和完全监督分割方法之间的差距；2）实验使用ACDC数据集进行了广泛的验证，证明了PCLMix的有效性；3）作者提供了开源代码。

在这个领域中，最近的相关研究包括：1）Dong等人的“Unsupervised Contrastive Learning for Medical Image Segmentation without Annotation”；2）Zhang等人的“Self-supervised Learning for Medical Image Segmentation using Convolutional Neural Networks”。