近期，MILab在自监督对比学习预训练方面取得进展，分别提出了（1）SuperCL: 基于图像结构先验(超像素伪标签)的正负样本对构造策略；（2）MACL: 基于多层级非对称孪生网络结构的对比学习框架设计；相关研究论文（1）“SuperCL: Superpixel Guided Contrastive Learning for Medical Image Segmentation Pre-Training”已被IEEE Transactions on Image Processing接收；（2）“Multi-level Asymmetric Contrastive Learning for Medical Image Segmentation Pre-training”已被IEEE Journal of Biomedical and Health Informatics接收。
一、SuperCL: 基于图像结构先验的正负样本对构建策略研究
医学图像分割任务通常需要对每个像素进行精准分类，因此对于像素级表征能力的要求显著高于图像级识别任务。对比学习作为近年来快速发展的自监督学习范式，通过构建正负样本对实现特征表示空间的结构优化。然而，传统对比学习方法多聚焦 于实例级或单像素投影构造正负样本关系，这在医学图像领域容易忽略图像内部区域 间的结构一致性，从而引入较多假阴性样本对，导致训练过程不稳定及模型判别性能受限。鉴于此，本研究提出结合图像结构先验的医学图像分割预训练策略，从图 像内部像素局部一致性与跨图像语义相关性两方面进行正负样本对构建策略设计，以提升对比预训练对下游分割任务的泛化能力。
1. 超像素引导的局部一致对比样本对生成策略
具体来说，本研究采用SLIC 超像素算法生成超像素伪掩码，将每个超像素区域视为图像内部的语义一致区域。如图 1 所示，对于任意一对来自同一超像素簇的像素特征，我们将其视为正样本对参与像素级对比损失约束；而不同簇之间的像素则被视为负样本对。由此构建的超像素引导局部对比策略（Intra-image Local Contrastive Pairs, ILCP）能够强化组织内部特征聚合能力，提升模型对器官内部结构表达的一致性。此外，该方法不依赖人工参数配置与定位先验信息，仅通过数据自身结构信息指导对比优化，具备良好的可扩展性与迁移性，为医学图像中解剖一致性特征建模提供了有效途径。
图1. 超像素引导的局部对比约束策略示意图
2. 伪标签驱动的跨图像全局对比样本对扩展策略
尽管局部对比策略能够强化单幅图像内部结构一致性，但医学影像在不同患者间 仍存在高度相似的解剖结构，若能构建跨图像正样本对，将进一步提升全局语义建模能力。因此，本研究进一步提出跨图像全局对比样本对生成策略（Inter-image Global Contrastive Pairs, IGCP），基于弱标签方式引导跨图像语义区域关联。
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；
（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
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