最小-最大相似性：一种用于外科工具分割的对比式半监督深度学习网络

使用神经网络进行医学图像分割时的一个常见难题是难以获取大量像素级标注数据用于训练。为解决这一问题，我们提出了一种基于对比学习的半监督分割网络。与先前的最先进方法不同，我们引入了最小-最大相似性（Min-Max Similarity, MMS）机制，通过分类器和投影器构建全负对（all-negative pairs）以及正负对（positive and negative pairs），实现双视角训练的对比学习，将学习过程建模为求解MMS问题。其中，全负对用于监督网络从不同视角学习，并捕捉通用特征；而未标注样本的预测一致性则通过正负对之间的像素级对比损失进行衡量。为定量和定性评估所提出方法的性能，我们在四个公开的内窥镜手术器械分割数据集以及一个由我们人工标注的耳蜗植入手术数据集上进行了测试。实验结果表明，所提方法在各项指标上均持续优于当前最先进的半监督与全监督分割算法。此外，该半监督分割算法能够有效识别未知手术器械，并生成高质量的分割预测。同时，我们的MMS方法在推理速度上可达约40帧每秒（fps），具备处理实时视频分割任务的潜力。