基于对比度引导扩散模型的半监督医学病变图像分割

《IEEE Transactions on Radiation and Plasma Medical Sciences》：Semi-Supervised Medical Lesion Image Segmentation Based on a Contrast-Guided Diffusion Model

医学图像分割中，半监督学习通过利用少量标注数据提升模型性能，但伪标签的准确性不足会损害模型效果。本文提出基于对比引导扩散模型（CGDM）的框架，通过构建病变与健康区域的对比关系，在训练中直接融入语义信息以减少伪标签依赖，并设计结构相似性对比损失函数平衡学习过程。实验表明CGDM在BUSI、BraTS2018和KiTS19数据集上优于现有半监督分割方法。

　　

摘要：

医学病变分割在计算机辅助诊断中起着至关重要的作用，然而获取完全标注的图像仍然是一个重大挑战。在标记数据有限的场景下，半监督学习展现出了巨大的潜力。然而，通常用于未标记数据的伪标签由于其固有的不准确性，可能会对模型性能产生不利影响。为了解决这个问题，我们提出了一个基于对比引导扩散模型（CGDM）的半监督病变分割框架。为了减轻不准确伪标签的影响，我们利用了病变图像与健康图像之间的对比关系，使病变区域恢复到类似健康的状态。通过在训练过程中直接结合这种对比语义信息，我们减轻了模型对伪标签的过度依赖，并减轻了其对模型性能的负面影响。此外，我们引入了一个结构相似性对比（SSC）损失函数来平衡监督学习和无监督学习。该函数为对比学习构建样本对，最大化配对病变图像与健康图像之间的差异，同时最小化未配对病变图像中病变区域的相似性。在BUSI、BraTS2018和KiTS19数据集上的实验结果表明，CGDM的性能优于现有的半监督分割方法。

引言

医学病变图像分割在医学图像分析中起着关键作用。其主要目标是准确定位和分割图像中的病变区域，从而辅助临床诊断、治疗计划和治疗效果评估。准确的病变分割可以显著提高诊断的准确性和效率，减少手动标注所需的时间和错误。然而，获取足够标注的医学图像数据仍然是一个主要挑战。医学图像的标注过程不仅成本高昂，而且还需要标注者具备丰富的医学专业知识。这一过程往往依赖于主观的专家判断，不同观察者之间的差异可能会影响标注的可靠性和一致性。此外，深度学习算法严重依赖于大规模、高质量的训练数据。医学图像标注的高成本和复杂性限制了此类数据集的获取，给基于深度学习的医学图像分割带来了重大挑战。