子聚类感知对比半监督CXR肺结核分类方法

摘要

胸部X光(Chest X-ray, CXR)检查是肺结核诊断的重要工具.然而，不同肺结核患者的CXR图像表现差异显著，且常与其他肺部疾病图像表现相似.在有标签数据不足的情况下，这种类内差异性与类间相似性对肺结核分类方法提出了很大的挑战.为此，本文提出了一种用于深度神经网络的子聚类感知对比半监督学习方法(Subcluster-aware Contrastive Semi-Supervised Learning, SCSSL),旨在构建更为精准的肺结核辅助诊断模型.SCSSL利用提出的动态k均值聚类算法，根据同类样本在特征空间中的分布差异，将其划分成若干个子聚类，并在网络训练过程中随着动态变化的特征分布自适应地调整聚类中心的数量与位置，以动态捕获类内的差异性特征.同时，设计子聚类感知对比损失，在伪标签的半监督学习框架下，引导高置信度伪标签的样本特征向所属子聚类聚集，远离其他子聚类，从而提高类内特征的代表性与多样性，并且增强类间特征的判别性.通过交替优化特征聚类与网络参数，SCSSL有效提升了分类性能.实验结果表明，该方法在肺结核CXR图像半监督分类任务上获得了良好的效果.

关键词

半监督学习 / 对比学习 / 聚类 / CXR图像 / 肺结核分类

基金资助

国家自然科学基金项目(62271480)资助; 中国科学院青年创新促进会项目(2021324)资助; 苏州市基础研究试点项目(SSD2023009,SSD2024021)资助; 苏州市科技计划项目(SKY2023223,SZS2024007)资助