结合对比学习和伪标签的半监督医学图像分割方法

摘要

为缓解在半监督医学图像分割方法中，由于标记和未标记数据训练范式不一致导致的知识丢弃现象，以及对不可靠像素利用不足的问题，提出一种新颖的结合对比学习和伪标签的半监督学习方法。该方法由特征级对比学习模块和不可靠区域增强模块构成。特征级对比学习模块通过投影头将来自2种数据的特征映射至低维空间，利用高质量特征引导模型对低质量特征进行提取与优化；同时，设计了一个由多个队列构成的Memory Bank,动态存储来自标记数据的高质量特征。不可靠区域增强模块分析可靠和不可靠像素的特征及分布，采用差异化策略对它们进行优化。此外，设计了一种基于信息熵的权重分配方式，用于对可靠像素的稳定性进行评估。在ACDC数据集10%和20%标记率下的实验结果表明，提出的方法在主要评估指标Dsc上分别达到0.888、0.900,与其他几种方法相比，取得了较好的性能。

关键词

半监督 / 对比学习 / 不可靠像素 / 伪标签