计算机工程

作者：高爽, 史轶伦, 徐巧枝, 于磊

单位：1. 内蒙古师范大学计算机科学技术学院, 内蒙古 呼和浩特 0100222. 内蒙古自治区人民医院, 内蒙古 呼和浩特 010022

关键词：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

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)

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$ \alpha $和$ \beta $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。

来源：2024年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第8期