摘要
尽管近年来在半监督学习（SemiSL）领域取得了显著进展，尤其在自然图像分割任务中表现优异，但在医学图像领域，如何利用有限标注数据学习具有判别性的表征仍是一个开放性难题。对比学习（Contrastive Learning, CL）框架通过引入相似性度量机制，在分类任务中展现出良好性能，然而其学习到的表征难以直接迁移到高精度的像素级分割任务中。为此，本文提出一种新颖的、基于图像块（patch-based）的半监督对比学习框架，用于医学图像分割，且无需依赖任何显式的预训练任务（pretext task）。该方法融合了对比学习与半监督学习的优势：半监督学习生成的伪标签为对比学习提供了额外的语义指导，而对比学习所提取的判别性类别信息则有助于实现高精度的多类别分割。此外，本文设计了一种新型损失函数，协同促进表征在类别间的可分性与类内紧凑性。为提升对比学习中正负样本的采样质量，提出一种基于平均块熵（average patch entropy）的新型块间语义差异映射机制，实现对正负样本的引导式采样。在三个公开可用的多模态医学图像数据集上的实验结果表明，所提方法在性能上显著优于当前最先进的技术。代码已开源，地址为：https://github.com/hritam-98/PatchCL-MedSeg。