Dcl-Net: Dual Contrastive Learning Network for Semi-Supervised Multi-Organ Segmentation

半监督学习是缓解大量标注数据需求的有效措施，特别是对于具有挑战性的多器官分割任务而言。然而，大多数现有的半监督学习方法独立地预测单个图像中的像素，忽略了图像和类别之间的关系。本文提出了一个两阶段的双重对比学习网络用于半监督多器官分割，利用全局和局部对比学习来加强图像和类别之间的关系。具体地，在第一阶段，我们开发了一种基于相似性引导的全局对比学习方法，探索图像之间的隐含连续性和相似性，并学习全局上下文。然后，在第二阶段，我们提出了一种器官感知的局部对比学习方法，进一步吸引类别表示。为了减轻计算负担，我们引入了一个掩模中心计算算法，用于压缩局部对比学习的类别表示。在公共的2017 ACDC数据集和内部的RC-OARs数据集上进行的实验表明，我们的方法具有优越的性能。

该论文旨在解决半监督多器官分割中缺乏注释数据集的问题，提出了一种双重对比学习网络的方案。

该论文的关键思路是利用全局和局部对比学习来增强图像和类别之间的关系，提高分割的准确性。其中，全局对比学习用于学习全局上下文，局部对比学习则用于吸引类别表示。

该论文的实验结果表明，该方法在公共数据集和自己的数据集上均取得了优异的性能。此外，该论文还提出了一种计算中心掩码的算法，以压缩类别表示，减轻计算负担。

该领域的其他相关研究包括：《Semi-Supervised Learning for Medical Image Segmentation: A Survey》、《Semi-Supervised Learning with Deep Generative Models》等。