近日，陕西科技大学电子信息与人工智能学院视觉计算与机器学习团队的最新研究成果《DHPCL: Diffusion-Driven Hard-Soft Prototype Contrastive Learning for Semi-Supervised Medical Image Segmentation》发表在国际顶级学术期刊IEEE Journal of Biomedical and Health Informatics上。陕西科技大学是该成果的第一完成单位，电子信息与人工智能学院杜晓刚副教授为第一作者、硕士研究生李春亮为第二作者、雷涛教授为通信作者。该成果是陕西科技大学电智学院在人工智能与医学交叉研究领域取得的重要研究进展。
图1 DHPCL的主要框架
该研究主要聚焦医学图像分割中标注数据稀缺条件下的可靠监督与判别性特征学习问题。具体地，医学图像的精细标注依赖专业知识，获取成本较高，如何充分利用大量未标注数据，提高伪标签质量并增强模型对解剖结构的表征能力，是实现高精度半监督医学图像分割的关键。针对该问题，提出了一种扩散驱动的硬软原型对比学习框架（DHPCL）。DHPCL具有两方面优势：（1）通过判别器生成像素级置信度图，引导潜在扩散模型对低置信度区域进行针对性校正，并结合局部细节增强机制，在提升伪标签可靠性的同时保留精细的解剖结构与边界信息；（2）利用扩散校正后的伪标签构建动态类别原型，通过硬软协同的对比学习策略，对高置信度像素施加明确的类别约束，对模糊区域提供柔性的分布引导，提升特征的类内紧致性与类间可分性，实现伪标签质量与特征判别能力的协同提升。实验结果表明，DHPCL能够在有限标注条件下有效利用未标注数据，在多个公开医学图像数据集上实现精确分割。
文章链接：https://ieeexplore.ieee.org/abstract/document/11694275
新闻小贴士：
电子信息与人工智能学院视觉计算与机器学习团队长期致力于计算机视觉、机器学习等人工智能领域的前沿研究，并与智慧医疗、智慧遥感等国家战略需求密切结合，取得了系列研究成果。近年来，该团队先后在中国计算机学会A类会议和期刊上发表高水平论文多篇，团队先后入选陕西高校青年创新团队、陕西省重点科技创新团队。
声明: 本文资料和图片来自于政府/园区管委会官网、官方公众号、材料相关媒体及其他公开资料，如信息有误或有遗漏，欢迎联系我们修改；我们尊重知识产权，因整理资料所需，本文中引用部分公开第三方的数据、图片等内容，其所属的知识产权归属原作者，且凡引用的内容均在文中标注了原文出处、原作者。若版权所有者认为本文涉嫌侵权或其他问题，请联系我方及时处理；我们力求数据严谨准确，但因受时间及人力限制，文中内容难免有所纰漏。如有重大失误失实，敬请读者不吝赐教批评指正。
