التعلم المتناقض الموجه بالتصنيف الزائف للتحسيس الصوري الطبي شبه المراقب

على الرغم من النجاح الكبير الذي حققته الدراسات الحديثة في التعلم شبه المراقب (SemiSL) في تجزئة الصور الطبيعية، ظلت مسألة تعلم تمثيلات تمييزية من ملاحظات محدودة مشكلة مفتوحة في الصور الطبية. تستخدم أطر التعلم التمييزي (CL) مفهوم قياس التشابه، وهو مفيد في المشكلات التصنيفية، لكنها تفشل في نقل هذه التمثيلات عالية الجودة لتقديم تجزئة دقيقة على مستوى البكسل. ولحل هذه المشكلة، نقترح إطارًا جديدًا لـ CL القائم على القطع (Patch-based CL) في التعلم شبه المراقب لتجزئة الصور الطبية، دون استخدام أي مهمة مسبقة صريحة. نستفيد من قوة كل من CL وSemiSL، حيث تساعد العلامات الوهمية التي تُولَّد من SemiSL CL من خلال توفير توجيه إضافي، في حين أن المعلومات الفئة التمييزية المكتسبة في CL تسهم في تحقيق تجزئة متعددة الفئات دقيقة. علاوةً على ذلك، نُصيغ خسارة جديدة تعمل بشكل تآزري على تعزيز الفصل بين الفئات (inter-class separability) والكثافة داخل الفئة (intra-class compactness) في التمثيلات المُكتسبة. كما نُطبّق خريطة جديدة للتمايز الشكلي بين القطع (inter-patch semantic disparity mapping) تعتمد على الانتروبيا المتوسطة للقطع، لدعم اختيار الأزواج الإيجابية والسلبية بشكل موجه في الإطار المُقترح لـ CL. أظهر التحليل التجريبي على ثلاث مجموعات بيانات متاحة للجمهور ومتعددة الوسائط تفوق phương pháp المُقترح مقارنةً بالأساليب الحالية في الذروة. يمكن الوصول إلى الكود من خلال: https://github.com/hritam-98/PatchCL-MedSeg.