...
图3. ACDC、MMWHS、CHAOS、HVSMR数据集上多器官分割结果的可视化
该论文第一作者为MILab博士生曾爽，卢闫晔助理教授为本文的通讯作者。其他合作者还包括MILab博士后朱磊，博士生张心亮和何航舟。该研究得到了国家自然科学基金、国家重点研发计划、北京大学肿瘤医学科学基金、中国博士后创新人才支持计划以及北京大学“医学+X”先导计划——人工只能与医学发展专项的资助。
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
...
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
该论文第一作者为MILab博士生曾爽，卢闫晔助理教授为本文的通讯作者。其他合作者还包括MILab博士生张心亮，陈倩，何航舟，田子枫，博士后朱磊，已毕业博士生金录嘉和谢肇恒助理教授，此外，美国佐治亚理工学院生物医学工程系Bio-MIBLab的王冬梅教授以及实验室同学也对本研究作出了重要贡献。该研究得到了国家自然科学基金、国家重点研发计划、北京大学肿瘤医学科学基金、中国博士后创新人才支持计划以及北京大学“医学+X”先导计划——人工只能与医学发展专项的资助。