Weakly Supervised Medical Image Segmentation via Superpixel-Guided Scribble Walking and Class-Wise Contrastive Regularization

摘要

基于深度学习的分割通常需要大量数据和密集的手动描绘，这既耗时又昂贵。因此，弱监督学习试图利用稀疏的注释（如涂鸦）进行有效训练，引起了相当大的关注。然而，这种涂鸦监督本质上缺乏足够的结构信息，导致了两个关键挑战：（i）虽然在dice分数指标上取得了良好的性能，但现有方法难以执行令人满意的局部预测，因为在训练期间无法获得所需的结构先验;（ii）由于稀疏和极不完全的监督，类特征分布不可避免地不那么紧凑，导致泛化性差。

本文中，我们提出了SC-Net，这是一种新的涂鸦监督方法，它将超像素引导的涂鸦行走与类对比正则化相结合。
该框架建立在最近的双解码器主干设计之上，其中来自两个略有不同的解码器的预测被随机混合，以提供辅助伪标签监督。除了稀疏和伪监督外，涂鸦还向超像素连接和图像内容引导的未标记像素扩散，以提供尽可能多的密集监督。然后，类对比正则化断开不同类的特征分布，以促进类特征分布的紧凑性。

方法

采用简单的线性迭代聚类（SLIC）算法来生成超像素
SLIC工作原理: 首先将图像划分为大小相等的方块网格，然后根据所需的超像素数 K 在每个方块中选择一定数量的种子点。接下来，它根据每个像素的颜色相似度和空间邻近性（距离）迭代地将每个像素分配给最近的种子点。重复此过程，直到聚类收敛或达到预定义的迭代次数。最后，该算法将种子点的位置更新到相应超像素的质心，并重复直到收敛。因此，图像被粗略地分割成 K 个簇。
然后，在获得的超像素的引导下，涂鸦通过以下机制走向未标记的像素：
（i）如果超像素簇与涂鸦重叠，则 涂鸦r 走向该簇中包含的像素;
（ii） 然而，如果超像素簇不与任何涂鸦重叠或与多个涂鸦重叠，则不会为该簇中的像素分配任何标签。尽管我们使用严格的行走约束来扩展标签，但超像素主要基于颜色相似性和与种子点的空间邻近性

采用noise-robust Dice loss来监督模型，公式为：

成对的对比正则化如下：z为原型，N为原型的数量

实验结果