BE_SSL

目前的SSL方法一般采用判别方法和重构方法（discriminative methods and reconstruction methods），典型的判别方法包括旋转[3]、魔方[20]和对比学习[14]（rotating [3], RubikCube [20] and contrastive learning），其实还是主要从自然图像中得到的想法。重建方法，比如Genesis [19] and PCRL，目前重建方法在医学图像上的性能要普遍优于判别方法。

当前的SSL普遍都忽视了groundTrue的信息，为了对边界加以利用，此论文提出了一种特殊的超体素，这种超体素覆盖了基本上全部的groundtruth的边界特征，然后为了进一步的实现对不同结构的捕捉，论文提出了一种图像配准作为自监督代理任务，与超体素不同，图像配准过程中匹配组织和器官的对齐必然涉及语义感知边界信息

为了实现上面的边界增强，论文提出了一种双分支结构，引入了一个共享编码器和独立解码器的两分支网络，第一个是超体素分支，另一种是图像配准分支，超体素分支生成超体素来实现超分割，图像配准分支将输入体变成图谱，两个分支被迫共享相同的编码器，试图让编码器捕获图像的边界和布局信息。在测试时，考虑到超体素分支与分割的关系更密切，采用其解码器进行进一步微调。

图2给出了BE-SSL的总体框架，由两个分支组成，超体素分支和图像配准分支，具有一个共享的encoderE。超体素分支使用编码器E和解码器Dsv，学习将输入体分割成超体素。图像配准分支使用编码器E和解码器Dreg学习将输入卷注册到选定的图集。

1、超参数分支

在将超体素转换为边界的时候，可能会出现边界又薄又窄的情况，所以，作者提出了一种距离变换图，它不仅会判断体素是否在边界上，还会提供到最近边界的距离

将超体素s转换为距离变换图t的流程图如图3所示。对于感兴趣的超体素中的每一个体素，其在距离变换图中的对应值计算为:

 

其中p和q是体素的坐标，G是感兴趣的超体素，Gin和∂G分别是G边界内和边界上的坐标集，||p−q||2是坐标p和q之间的欧氏距离。为了使网络学会嵌入边界信息，我们将距离变换图作为重建的目标。重建距离变换图的一个优点是，通过将其表述为逐体素回归问题，每个体素都有助于提供边界信息。以距离变换图t为监督，通过最小化均方误差(MSE)损失来优化超体素分支。表示网络的预测为t^，输入卷的空间为Ω。MSE损失公式如下:

2、图像配准分支

 作用是为了加强边界标记