...
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
...
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结构示意图图4. 多级非对称对比学习框架MACL结构示意图
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：得益于我们提出的非对称对比学习框架，能够同时预训练编码器和解码器，并结合多层级对比学习，我们的 MACL 在几乎所有的度量指标上均优于现有的对比学习方法，且在不同标签数据比例下均表现良好。具体来说: (1)当使用10% 的标注数据时，我们提出的MACL在所有 4 个多器官分割数据集和4个病灶分割数据集上均取得了显著提升：例如，在ACDC 上比最优基准PCL高出1.72% 的DSC；（2）当使用25%的标注数据时，我们的 MACL 与其他对比学习方法相比，性能提升有所减小。因为随着标注样本的增加，可用的监督信息增多，导致自监督预训练带来的改进趋于饱和。尽管如此，性能提升依然稳定。例如，在MMWHS上比GCL 高出1.89% 的DSC 和2.88% 的JC，在Spleen 上比GCL 高出1.45% 的DSC和3.42%的JC。
表2. 我们提出的MACL与其他对比学习方法在病灶分割任务上的定量结果
图5. Spleen, Heart and ISIC 数据集的病灶分割结果可视化