论文标题：Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation

论文链接：https://arxiv.org/abs/2106.06801

数据集链接：https://anonymous.4open.science/r/bf24623f-0062-40cd-9900-624c42381cad/

作者单位：印度理工学院 & AIIMS

本文提出了一种新颖的半监督2D医学图像分割解决方案，通过对比训练策略利用大量的未标记图像，表现SOTA！性能优于Self-Loop、SemiTC等网络。

对比学习 (CL) 是最近的一种表示学习方法，它通过在学习的图像表示中鼓励类间可分离性和类内紧凑性来取得可喜的结果。由于医学图像通常每个图像包含多个感兴趣的类别，因此这些图像的标准图像级 CL 不适用。在这项工作中，我们提出了一种新颖的半监督 2D 医学图像分割解决方案，该解决方案将 CL 应用于图像块，而不是完整图像。这些patches是使用通过伪标签获得的不同类的语义信息有意义地构建的。我们还提出了一种新颖的一致性正则化方案，它与对比学习协同工作。它解决了在半监督设置中经常观察到的确认偏差问题，并鼓励在特征空间中更好地聚类。我们在四个公共医学分割数据集以及我们引入的新组织病理学数据集上评估我们的方法。我们的方法对所有数据集的最先进的半监督分割方法都取得了一致的改进。

内容中包含的图片若涉及版权问题，请及时与我们联系删除