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。注册分支使用编码器E和解码器Dreg学习将输入卷注册到选定的图集。