医学图像局部判别表征的无监督学习

基于摘要分析。研究针对医学图像中病灶亚型识别、解剖结构细粒度分割等任务对局部表征的需求，提出无监督局部判别表征学习方法，以减少对大量标注数据的依赖，并弥补以整幅图像全局特征区分样本的方法对局部分析的不足。 方法包含两个同时训练、相互促进的分支：嵌入分支学习将不相似像素分散到低维超球面上的嵌入函数；聚类分支学习将相似像素归入同一簇的聚类函数。其核心是把判别学习的粒度从整幅图像转向局部像素与区域，使所得表征能够衡量局部区域的相似性。摘要未给出具体损失形式、分支间监督信号的构造或优化细节。 作者报告，所学表征可用于增强多种下游任务，也可在模拟数据或具有相似拓扑特征的其他结构所提供的拓扑先验引导下，对无标注医学图像中的解剖结构进行聚类。作者在视网膜图像和胸部 X-ray 图像上展示了方法的有效性，但摘要未提供数据集名称、样本规模、划分、对照基线或量化指标；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 时频表示中的局部模式具有可重复的相似性结构，嵌入与聚类协同学习机制可能用于局部特征预训练。可复用的是局部判别目标与双分支协同思路，需要改造的是像素邻域定义及图像拓扑先验；EEG 的低信噪比、跨被试差异和通道布局变化可能使聚类主要反映伪迹或个体特征。一个可检验的小实验是在固定跨被试划分下，以相同编码器比较局部协同预训练与全局表征预训练，并用相同标注预算评估下游性能；这只是迁移假设，已有 EEG 相关工作尚未检索确认。