...
图2. 基于连通域弱监督的跨图像全局对比策略示意图
...
研究团队在多器官分割和病灶分割两类典型医学影像应用场景上进行了算法验证，结果表明：SuperCL 在八个医学图像数据集上均展现出显著性能优势。在仅使用10%标注数据进行训练时，SuperCL相比最佳对比方法平均Dice 提升约 3.98%，Jaccard 提升约4.90%，在心脏及腹部多器官场景中优势尤其明显。当标注比例提升至25% 时，SuperCL 依旧保持约2.89% Dice 增益，并在多个任务中已经达到了或接近全监督方式的分割性能，如在MMWHS 中取得超过90%的Dice，表明该方法能够在低标注条件下实现高质量迁移学习，显著减少人工标注需求。
表1. 我们提出的SuperCL与其他对比学习方法在多器官分割任务上的定量结果
表2. 我们提出的SuperCL与其他对比学习方法在病灶分割任务上的定量结果
图3. ACDC、MMWHS、CHAOS、HVSMR数据集上多器官分割结果的可视化
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
...