Boundary-Aware Contrastive Learning for Semi-Supervised Nuclei Instance Segmentation
内容提要
本文综述医学图像弱监督与半监督分割方法，包括循环学习、自监督尺度三元组学习、对比学习、部分点注释及区域相关性网络，应用于核实例分割、癌症组织分割和多器官分割，在减少标注需求的同时达到与全监督方法相当的性能。
延伸解读
弱监督与半监督在核分割中的价值
文章汇总的多项工作表明，在核实例分割中，弱监督和半监督方法能显著减少标注需求。例如，循环学习利用图像级标签，部分点注释方法仅需点标签，自监督尺度三元组学习从原始数据挖掘特征。这些方法在多个数据集上达到与全监督相当的性能，说明降低标注成本的同时保持分割质量是可行的。
对比学习在医学分割中的多种应用形式
对比学习被灵活应用于不同场景：无监督癌症组织分割中结合深度U-Net和卷积随机场；半监督多器官分割中融入局部区域对比（LRC）增强预训练；区域级对比和一致性学习（RC^2L）引入多种区域损失提升稳定性。这些案例显示对比学习能有效利用无标签数据，提升分割性能。
半监督分割中的伪标签处理策略
针对半监督分割中伪标签噪声问题，文章提到区域相关性网络通过本地伪标签过滤、本地选择损失和动态区域损失校正来降低分类误差和预测不一致性。另一项工作使用双子网络探索差异，纠正错误预测，并利用自监督对比学习区分可靠与不可靠预测。这些策略有助于提升模型鲁棒性。
实际应用与性能表现
在CRC检测挑战中，U-Net多任务模型结合颜色和统计学增强及测试时增强，在部分标注数据集上组织分割Dice达0.8655和0.8515，肿瘤检测AUROC达0.9725和0.9750。这表明弱监督方法在真实医学图像分析任务中具有实用潜力，能应对数据稀缺和图像变异问题。
Q&A
循环学习在核实例分割中是如何工作的？
循环学习将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化。
自监督尺度三元组学习如何提升细胞核分割准确性？
通过尺度三元组学习和数量排序两个子任务，隐式利用细胞核大小和数量的先验知识，从原始数据中挖掘特征表示，从而提高细胞核实例分割的准确性。
无监督癌症组织分割框架使用了哪些技术？
该框架利用深度U-Net和对比学习来提取特征，并通过卷积随机场进行平滑和去噪。
本地化区域对比（LRC）如何增强医学图像分割？
LRC融入半监督自监督预训练方法中，在受限注释下显著提高分割性能，也可应用于完全监督预训练方法以进一步提升性能。
基于部分点注释的弱监督分割框架有什么特点？
该框架包括两个阶段的半监督策略和深度神经网络，使得核分割自动化处理不需要大量标注数据和额外计算负担。
RC^2L半监督语义分割方法包含哪些损失函数？
RC^2L包含Region Mask Contrastive (RMC)损失、Region Feature Contrastive (RFC)损失、Region Class Consistency (RCC)损失和Semantic Mask Consistency (SMC)损失。
BoNuS方法在核分割中有什么优势？
BoNuS只需要部分点标签，是一种弱监督核分割方法，并在核分割方面表现出卓越性能。
基于区域相关性网络的半监督语义分割方法包含哪些模块？
包括本地伪标签过滤模块、本地选择损失模块和动态区域损失校正模块，这些模块可以降低伪标签引起的分类误差和预测不一致性。
使用两个子网络差异的方法如何提高器官分割效果？
通过两个不同子网络探索和利用差异，纠正错误预测，识别不一致区域并微调，同时采用自监督对比学习范式区分可靠和不可靠预测，训练模型最小化不可靠预测，从而提高上下文信息利用和分割效果。
U-Net多任务模型在CRC检测挑战中取得了什么结果？
在CRC检测（SemiCOL）2023挑战上，该方法在被部分标注的数据集上取得了.8655的Dice分数（Arm 1）和.8515的Dice分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的AUROC值。
