要約
近年の半教師付き学習（SemiSL）に関する研究は、自然画像のセグメンテーションにおいて顕著な成果を上げているが、限られたアノテーションデータから判別性の高い表現を学習するという課題は、医用画像分野において依然として未解決の問題である。対照学習（CL）フレームワークは類似度測定という概念を用いるため、分類問題において有効であるが、その優れた表現をピクセルレベルの高精度なセグメンテーションに効果的に転移することができない。このような課題に応じて、本研究では明示的な事前タスク（pretext task）を一切用いずに、医用画像セグメンテーション向けの新しい半教師付きパッチベースのCLフレームワークを提案する。本手法はCLとSemiSLの両方の強みを活かしており、SemiSLから生成される擬似ラベルがCLに追加のガイドラインを提供する一方で、CLによって学習される判別性の高いクラス情報が、正確な多クラスセグメンテーションを実現する。さらに、学習された表現間におけるクラス間の分離性とクラス内の一貫性を統合的に促進する新しい損失関数を定式化した。また、平均パッチエントロピーを用いた新たなパッチ間意味的差異マッピングを導入し、提案するCLフレームワークにおけるポジティブ・ネガティブサンプルのガイド付き選択を実現した。複数モダリティの公開データセット3つに対する実験分析の結果、本手法が最先端手法と比較して優れた性能を発揮することが示された。実装コードは以下のURLから入手可能である：https://github.com/hritam-98/PatchCL-MedSeg。