计算机应用

作者：谢劲, 褚苏荣, 强彦, 赵涓涓, 张华, 高勇

单位：1.太原理工大学 计算机科学与技术学院（大数据学院），太原 030600；2.中北大学 软件学院，太原 030051；3.晋中信息学院 信息工程学院，山西 晋中 030800；4.山西医科大学 第一医院CT影像科，太原 030012；5.国药同煤总医院 呼吸与危重症医学科，山西 大同 037000

关键词：自监督学习,对比学习,医学图像处理,硬负样本,分布一致性

基金：国家自然科学基金资助项目(U21A20469);国家自然科学基金资助项目(62376183);国家卫生健康委尘肺病重点实验室开放课题(YKFKT004);中央引导地方科技发展基金资助项目(YDZJSX2022C004);山西省科技创新人才团队专项(202304051001009)

针对对比学习（CL）方法在医学图像中难以区分相似胸片样本以及难以识别微小病灶的问题，提出一种双支分布一致性对比学习模型（TCL）。首先，利用inpainting和outpainting数据增强策略强化模型对肺部纹理的关注，提高模型对复杂结构的识别能力；其次，利用协同学习方法进一步增强模型对肺部微小病灶的敏感性，捕捉不同视角下的病灶信息；最后，利用Student-t分布的重尾特性，对硬负样本进行区分，以约束不同增强视图与样本之间的一致性分布，从而加强硬负样本与其他样本之间的特征关系的学习，并减小硬负样本对模型的影响。在pneumoconiosis、NIH （National Institutes of Health）、Chest X-Ray Images （Pneumonia）和COVID-19 （Corona Virus Disease 2019）这4个胸片数据集上的实验结果表明，相较于MoCo v2 （Momentum Contrastive learning）模型，TCL模型的准确性分别提高了6.14%、3.08%、0.65%和4.67%，而迁移性能在COVID-19数据集上在标签率为5%、20%和50%时分别提高了4.10%、0.61%和8.41%。此外，通过CAM（Class Activation Mapping）可视化验证了TCL模型能关注重要病理区域，验证了所提模型的有效性。

来源：2025年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第7期