掩码重建融合对比学习的自监督医学图像分割

来源：计算机工程与应用杂志2025年第15期北京时间：

作者：肖慈美, 降爱莲, 冀伟, 高峰

单位：太原理工大学 计算机科学与技术学院（大数据学院），山西 晋中 030600

摘要：在医学图像分析领域，由于难以获取大规模标注数据，自监督方法应用日益广泛。其中，掩码自编码器在准确捕获感兴趣的区域，并有效控制掩码区域的生成和有效利用方面较为困难。提出了一种掩码重建融合对比学习的自监督医学图像分割方法（mask reconstruction fused with contrastive learning，MRCL），该方法包含对比重建任务、混合卷积特征融合模块和多尺度编码器架构。对比重建任务将对比学习应用到掩码自编码器中，通过学习图像中不同区域的相似性和差异性提高了特征的区分度，并利用对比损失来优化两个随机掩码视图的表示，增强了掩码自编码器对感兴趣区域的捕获能力。同时由于对比学习依赖于强大的数据增强，还可以进一步提高模型的泛化性能。此外，混合卷积特征融合模块通过互补性设计将注意力层和卷积层进行融合，使模型能够有效地提取局部和全局特征；而多尺度编码器架构则将不同尺度的特征图进行融合，提高了模型对多尺度信息的表征能力。实验结果表明，在仅使用20%标注数据的情况下，提出的方法在ACDC、LIDC和ISIC三个公共数据集上的DSC图像分割性能指标分别达到了86.61%、80.19%和87.55%，优于现有的自监督医学图像分割方法。

关键词：自监督,医学图像分割,多尺度,对比学习,掩码自编码器