自主解剖：重新审视医学图像分割的极少标签问题

最近关于对比学习的研究在医学图像分割的背景下仅凭借少量标签取得了显著的表现。现有方法主要集中在实例区分和不变映射（即在特征空间中将正样本拉近，而将负样本分离）。然而，它们面临三个共同的陷阱：（1）尾部效应：医学图像数据通常遵循隐含的长尾类分布。因此盲目利用训练中的所有像素可能导致数据不平衡问题，并降低性能；（2）一致性：由于不同解剖特征间的类内变化，目前尚不清楚分割模型是否学到了有意义且一致的解剖特征；（3）多样性：整个数据集中切片内的相关性受到了明显较少的关注。这促使我们寻求一种原则性的方法，战略性地利用数据集本身来发现不同解剖视角下相似而又不同的样本。在本文中，我们引入了一种新颖的半监督二维医学图像分割框架，称为自主解剖（MONA），并做出三项贡献。首先，先前的工作认为每个像素对模型训练同样重要；我们实证观察到，仅凭这一点不太可能定义有意义的解剖特征，这主要是由于缺乏监督信号。我们展示了两种简单的解决方案来学习不变性——通过使用更强的数据增强和最近邻。其次，我们构建了一组目标，鼓励模型能够以无监督的方式将医学图像分解为一系列解剖特征。最后，我们通过实证和理论证明了MONA在具有不同标签设置的三组基准数据集上的有效性，在不同的标签半监督设置下实现了新的最先进水平。MONA对领域专业知识的假设最小，因此在医学图像分析中构成了一个实用和多功能的解决方案。我们在补充材料中提供了类似PyTorch的伪代码。