【NeurIPS 2020】对比学习全局和局部医学图像分割特征

基于深度学习的算法模型往往需要大量的标注数据，相对于自然场景图像来说，医学图像更难获取，且标注数据的成本和难度都更高。自监督学习能够利用未标注的数据进行模型的预训练，然后再利用有限的标注数据进行模型的微调（fine-tune）。一种自监督学习的变种模型“对比学习”，是一种高效的技术，能够学习到图像级别（image-level）的表征。本文提出的策略通过扩展对比学习框架在数据量较为局限（标注数据少）的医学标注数据中，利用半监督学习进行三维医学图像分割。具体来说:①提出了一种全新的对比学习策略，通过利用三维医学图像（特定领域）的结构相似性；②设计了一种局部对比损失以学习独特的局部特征表达，其在像素级图像分割（特定问题）中性能提升显著。作者应用该方法在三个医学数据集上进行了实验验证，实验设定使用较为有限的标注数据上进行训练（限定训练集的大小），与已提出的自监督和半监督学习方法相比，该方法对分割性能有大幅的提升。