Context-Aware Voxel-Wise Contrastive Learning for Label Efficient Multi-organ Segmentation

摘要

医学图像分割是许多临床应用的先决条件，包括疾病诊断、手术计划和计算机辅助干预。由于在获得专家级准确、注释密集的多器官数据集方面存在挑战，现有的多器官分割数据集要么样本数量较少，要么只对少数器官而不是所有器官进行注释，这些数据被称为部分标记数据。以前有人试图开发标签有效的分割方法，利用这些部分标记的数据集来提高多器官分割的性能。然而，这些方法中的大多数都受到限制，即它们只使用数据集中的标记信息，而没有利用大量未标记的数据。为此，我们提出了一种上下文感知的体素对比学习方法，以充分利用部分标记数据集中的标记和未标记数据，提高多器官分割性能。

本文方法

（a） 部分标记的数据和标签
（b） 从部分标记的数据中采样的3Dpatch和标签
（c） 体素对比学习
（d）标记和未标记部分的预测
图1显示了总体架构。从该图中可以看出，有两个分支，即一个用于标记的体素，另一个用于未标记的体素。对于标记的体素，我们计算交叉熵（CE）损失和dice损失。对于未标记的部分，我们计算上下文感知的体素对比学习损失。

有监督损失

Context-Aware Contrastive Learning Loss for Unlabeled Voxels

基于patch/子体积的策略来训练网络时，由于上下文信息的差异，当体素位于不同的补丁中时，体素的预测可能不同。使用上下文感知的对比学习来最大限度地减少这种不一致性，从而使我们能够利用部分标记数据集中的大量未标记数据
在每次训练迭代中，在我们将两个重叠的3D补丁送到我们的网络以获得预测之后，我们将重叠区域中的未标记体素的预测pki分组为一个集合，然后下采样，对于属于同一个体素，我们希望相应的特征接近

为此，我们设计了一个方向对比度损失（DC损失）来训练我们的网络，以便对齐从不同patch预测中获得的相同体素的特征。
还要求对齐特征的置信度应大于某个阈值，以确保对齐特征的质量。
DC Loss如下：

需要仔细结合图和公式体会

实验结果