基于对比学习的心脏MRI图像半监督分割算法研究.pdf

摘要

随着神经网络对医学辅助的不断突破和创新，越来越多的神经网络模型被应用在不同的

心脏MRI图像分割场景，在拥有大量带标签训练数据集的情况下，神经网络模型对心脏MRI

图像分割识别的精准度越来越高，然而，在医学图像处理领域，无论是图像数据还是标注都

是有限的。本文研究了基于对比学习的半监督心脏MRI图像左室分割算法，并结合数据集本

身特点，提出了若干技术方法以优化模型，论文的主要工作和创新点如下：

（1）提出了一种基于对比学习的医学图像半监督卷积神经网络分割方法。针对医学图像

数据集样本量有限、心脏左心室MRI图像数据集的分割精度需要提高的问题，研究了对比学

习在医学图像语义分割上的应用，针对数据集较小的特点选择U-Net作为图像分割的基准网

络并实现了对比学习与U-Net网络之间的有效结合，提出了一种基于对比学习的医学图像半

监督卷积神经网络分割方法。该方法结合了U-Net网络模型少量样本任务的优势，利用对比

学习损失函数和二值交叉损失函数训练网络，在半监督任务下对心脏MRI左心室进行分割，

在多个指标下取得了预期的效果。

（2）提出了一种非均衡对比损失函数和伪标签后处理算法。针对左心室MRI图像半监

督任务负样本利用上的问题，改进对比学习损失函数，提出了一种非均衡对比损失函数，该

损失函数与二元交叉损失函数加权求和获得总损失函数。利用带标签数据集对模型进行预训

练，利用预训练模型预测生成伪标签，同时利用灰度共生矩阵，对心脏MRI图像数据集不同

区域的纹理特征进行分析，提出了一种非连通区域消除以及孔洞填补的伪标签后处理算法。

在半监督任务下进行了心脏MRI图像左室分割的消融实验，结果表明，提出的算法使模型的

性能获得显著提升。

（3）针对数据集层面的难样本对分割模型性能的影响，提出了一种难样本召回损失函数

和非侵入目标区域Cutout预处理数据增强算法。本文分析数据集难样本和Dice系数小于0.8

的样本的特点，通过设计难样本召回损失函数，指导修正二值交叉损失函数和非均衡对比学

习损失函数在全局上的误差，更好地指导模型寻找最优解，同时从预处理难样本的角度出发，

使用非侵入目标区域Cutout预处理数据增强算法对数据集进行预处理，达到增强数据的目的。

将改进后的模型用于心脏MRI图像左心室分割实验，结果表明，引入难样本召回损失函数可

以取得更好的分割结果。

关键字：MRI图像分割；U-Net；对比学习；半监督学习；难样本

Abstract

Withthecontinuousbreakthroughandinnovationofneuralnetworkinmedicalassistance,more

andmoreneuralnetworkmodelsareappliedindifferentcardiacMRIimagesegmentationscenarios.

Inthecaseoflotsoflabeledtrainingdatasets,theaccuracyofneuralnetworkmodelsforcardiac

MRIimagesegmentationandrecognitionisgettinghigherandhigher.However,inthefieldof

medicalimageprocessing,bothimagedataandannotationsarelimited.Inthispaper,thesemi-

supervisedleftventriclesegmentationalgorithmbasedoncontrastivelearningforcardiacMRI

imagesisstudied,andcombinedwiththecharacteristicsofthedatasetitself,severaltechnical

methodsareproposedtooptimizethemodel.Th