基于多源对比伪标签交互的可靠无监督皮肤病变分割网络(RPI-Net)研究

本文推荐：该研究提出RPI-Net网络，通过多源伪标签生成（含浅层特征聚类和深度类激活图CAMs）、图像-伪标签交叉注意力(IPC)模块和伪标签内注意力(PIA)模块的交互机制，结合动态不确定性损失(DUL)，在ISIC-2018等数据集实现90.21%准确率，为无监督皮肤病变分割提供新范式。

　　

Highlight

1. 1.

   我们提出RPI-Net网络，利用动态不确定性损失(DUL)根据伪标签质量自适应调整其贡献，显著提升分割精度与鲁棒性。

2. 2.

   通过多阶段对比学习生成多样化伪标签，确保不同伪标签间的互补信息。

3. 3.

   创新性设计图像-伪标签交叉注意力(IPC)模块和伪标签内注意力(PIA)模块，通过图像与伪标签间、伪标签内部的交互增强噪声识别能力。

4. 4.

   在ISIC-2018等三大公开数据集验证了该方法的有效性。

Discussion

无监督皮肤病变分割面临病变异质性、背景复杂性等挑战。RPI-Net通过多源伪标签整合与不确定性学习，在ISIC-2018数据集取得82.88% Dice系数。关键突破在于：1) IPC模块实现图像特征与伪标签的空间对齐；2) PIA模块通过自注意力机制挖掘伪标签内部一致性；3) 动态不确定性损失自动过滤低质量标签。未来可探索三维医学图像的扩展应用。

Conclusion

本研究提出的RPI-Net框架，通过多源对比伪标签生成、注意力交互模块和动态不确定性学习，实现了无需标注数据的精准皮肤病变分割。实验表明该方法能生成可解释的不确定性热图，为临床诊断提供可靠辅助决策依据。