Contrmix: Aprendizado Contraste Progressivo e Misto para Segmentação de Imagens Médicas Semi-Supervisionada

Embora a segmentação de imagens médicas tenha alcançado um progresso impressionante, geralmente é limitada por anotações pixel a pixel que são trabalhosas e custosas. Os métodos de aprendizado semi-supervisionado existentes ignoram o desequilíbrio inerente e a alta similaridade entre diferentes categorias em imagens médicas. Para abordar os problemas acima, apresentamos uma estrutura de Aprendizado Contraste Progressivo e Misto (ContrMix), que contém um módulo Cycle-mix e um módulo de Aprendizado Contraste baseado em mistura. No Cycle-mix, uma estratégia de mistura progressiva com uma perda cíclica é projetada para reforçar a consistência entre a segmentação misturada e as amostras de mistura geradas correspondentes, aumentando efetivamente a capacidade de aprender características geométricas dos dados médicos desequilibrados. Também introduzimos um módulo de Aprendizado Contraste baseado em mistura que aprende as similaridades entre instâncias entre os pedaços misturados e os originais, o que incentiva o modelo a aprender representações invariantes ao fundo a partir de amostras sob diferentes distorções e melhora a discriminação semântica de categorias de alta similaridade. Realizamos extensos experimentos no conjunto de dados ACDC e no conjunto de dados LA e nosso método supera outras abordagens semi-supervisionadas de última geração.