...
为实现可靠的跨图像匹配，本研究构建两项核心技术模块：
（1） 平均超像素特征图生成（ASP）：将每一超像素区域的像素特征进行均值融合，以抑制局部噪声干扰并增强语义一致性，使其可作为图像区域级特征表达；（1）平均超像素特征图生成（ASP）：将每一超像素区域的像素特征进行均值融合，以抑制局部噪声干扰并增强语义一致性，使其可作为图像区域级特征表达；
（2）连通域标签生成模块（CCL）：基于ASP 特征构建最近邻连接图并提取连通域， 将同一连通域内区域视为正样本对，从而实现跨图像全局正对比关系建模。 如图2 所示，该策略无须人工阈值划分，能够自适应发现不同患者间具有结构对应关系的区域作为对比对象，通过扩大正样本数量与覆盖范围，有效强化模型的语 义泛化能力与下游分割性能表现。
图2. 基于连通域弱监督的跨图像全局对比策略示意图
研究团队
二、MACL: 基于多层级非对称孪生网络结构的对比学习框架设计
该项研究则是从对比学习的另一研究角度：孪生网络设计方面进行改进。医学图像分割任务本质上是一种像素级预测过程，不仅要求模型具备强大的全局语义理解能力，同时需要对局部边界及解剖细节进行准确建模。然而，现有医学对比学习方法多采用传统对称式Siamese网络，并仅在编码器端进行预训练，主要提取图像级判别特征。编码器输出为高度压缩的语义抽象表征，而解码器则主要负责空间细节恢复，两者长期割裂训练将产生以下局限：
（1）忽略像素级特征一致性需求：图像级对比学习难以提升下游分割任务的像素级表征能力；
（2）解码器完全随机初始化：损害分割细节恢复性能；
（3）未利用多尺度结构协同关系；
为解决上述痛点问题，本研究设计了一种多层级非对称对比学习框架MACL (Multi-level Asymmetric Contrastive Learning)，具体来说（如图所示）：（1）设计了一种多层级对比学习策略，考虑图像级、像素级和特征级表征之间的对应关系，以确保在预训练期间编码器和解码器可以学习多层级表示；(2) 为了给下游的分割模型提供更好的初始化，我们提出的MACL采用了非对称编码器-解码器的对比学习结构，将部分解码器引入单阶段对比学习框架中，并同时预训练编码器和解码器。
图 多级非对称对比学习框架MACL结构示意图