基于对比学习的非对称编解码结构的心脏MRI分割研究

作     者：高爽 史轶伦 徐巧枝 于磊 GAO Shuang;SHI Yilun;XU Qiaozhi;YU Lei

作者机构：内蒙古师范大学计算机科学技术学院内蒙古呼和浩特010022 内蒙古自治区人民医院内蒙古呼和浩特010022 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2024年第50卷第8期

页      面：290-300页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：内蒙古自治区自然科学基金(2021MS06031) 内蒙古师范大学基本科研业务费专项资金(2022JBYJ034) 内蒙古自治区“十四五”社会公益领域重点研发和成果转化计划项目(2022YFSH0010) “无穷维哈密顿系统及其算法应用”教育部重点实验室开放课题(2023KFYB06) 

主　　题：对比学习 动态自适应加权 医学图像分割 心脏磁共振成像 联合损失函数 

摘      要：全监督方法在心脏磁共振成像(MRI)分割任务中的成功依赖于大规模标记数据集,然而由于患者隐私及人工标注困难等问题,心脏MRI标注数据规模较小,使全监督方法面临挑战。基于半监督的对比学习方法,设计双分支编码与单分支解码的心脏MRI分割网络CPCL-Net,引入图像和像素的联合对比损失,提升了模型对数据样本的特征表达能力。为了增强CPCL-Net对Hard负样本的分割精度,设计动态自适应加权模块(DAWM),利用生成的α和β权重因子评估样本级别和像素级别的训练贡献度,使模型分割精度得到大幅提升。基于自动心脏诊断挑战赛(ACDC)数据集的实验结果表明,该网络模型仅利用少量标注样本即可获得较高的分割精度,缓解了心脏MRI高质量标注样本不足导致的分割精度低下问题,并且在标注样本规模相同的情况下,对心脏左心室、右心室、心肌等部位的分割精度分别为86.17%、85.52%、84.55%,优于现有的4种典型半监督分割模型以及经典的对比学习框架Sim-CLR,有效缓解了全监督分割模型对样本规模的依赖及过拟合问题。