计算机工程与应用

作者：冀伟, 降爱莲

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；

关键词：自监督,医学图像分割,位置信息,掩码自编码器,对比学习

基金：山西省自然科学基金（202203021211177）。

由于医学图像中大规模标注数据获取困难，自监督学习在该领域的应用日益广泛。然而基于掩码自编码器的自监督学习方法中的简单重建任务往往缺乏高级语义信息，难以充分提取医学图像中复杂的特征。提出一种基于位置信息辅助重建的自监督医学图像分割框架PIAR（position information assisted reconstruction）。医学图像中器官往往包含相对一致的位置信息，为此引入了上下文位置预测任务，通过预测图像中不同区域的空间位置关系，增强了模型对医学图像中结构和语义信息的提取能力。基于学习到的位置信息，提出了辅助重建任务，旨在帮助模型更好地进行图像重建。利用从图像中提取的位置信息，辅助模型能够在重建过程中更有效地捕捉图像的空间结构和细节，从而提升重建精度和图像理解能力。为了进一步提升图像重建效果，设计了自对比损失。通过关注同一掩码自编码器在不同数据增强下的表现，鼓励模型在面对不同增强变换时保持一致的重建效果，进一步提升重建质量和图像的鲁棒性。实验结果表明，在仅使用10%标注数据的情况下，所提方法在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83.81%、79.41%和86.13%，优于现有的自监督医学图像分割方法。

来源：2026年第4期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第4期