近期，中國科學(xué)院合肥物質(zhì)院智能所王煥欽研究員團(tuán)隊(duì)提出一種半監(jiān)督醫(yī)學(xué)圖像分割方法，相關(guān)成果近期以“Boundary feature alignment for semi-supervised medical image segmentation”發(fā)表于人工智能領(lǐng)域頂刊Pattern Recognition（中國科學(xué)院一區(qū)TOP）上。

3D醫(yī)學(xué)圖像像素級(jí)注釋是一項(xiàng)繁瑣且任務(wù)量巨大的工作。近年來，半監(jiān)督醫(yī)學(xué)圖像分割能夠利用少量標(biāo)注圖像和大量未標(biāo)注圖像可有效緩解人工注釋壓力。當(dāng)前半監(jiān)督醫(yī)學(xué)圖像分割中流行的方法是基于一致性正則化和偽標(biāo)簽技術(shù)，盡管它們?cè)趯?shí)現(xiàn)方式上有所不同，但兩者都旨在從數(shù)據(jù)變化中學(xué)習(xí)不變的預(yù)測(cè)以提升模型的整體泛化能力，導(dǎo)致全局一致性和局部邊界之間的失衡。

基于此，王煥欽團(tuán)隊(duì)在研究中提出了一種用于半監(jiān)督醫(yī)學(xué)圖像分割的邊界特征對(duì)齊方法以解決準(zhǔn)確定位邊界的挑戰(zhàn)，其核心思想是鼓勵(lì)模型學(xué)習(xí)標(biāo)記和未標(biāo)記圖像的通用邊界特征表示。文中設(shè)計(jì)了3D邊界提取器以實(shí)現(xiàn)標(biāo)簽和偽標(biāo)簽邊界的穩(wěn)定提取，通過混合標(biāo)簽和偽標(biāo)簽邊界，實(shí)現(xiàn)邊界特征的早期嵌入以及隱式地促進(jìn)不同標(biāo)注狀態(tài)之間的對(duì)齊。實(shí)驗(yàn)結(jié)果表明，僅在平均教師框架上實(shí)現(xiàn)該方法即在LA（左心房）、Pancreas-CT（胰腺-CT）和ACDC（右心室、左心室和心肌）三個(gè)基準(zhǔn)數(shù)據(jù)集上實(shí)現(xiàn)了優(yōu)異的性能。值得關(guān)注的是在ACDC數(shù)據(jù)集上，僅以10%的標(biāo)注比例，即在95HD和ASD等指標(biāo)上超越了全監(jiān)督的性能(4.30 vs 1.15,0.99 vs 0.46)。

本論文的第一作者為黃義庚博士，通訊作者為王煥欽研究員，本研究工作得到了國家重點(diǎn)研發(fā)計(jì)劃、安徽省科技重大專項(xiàng)、國家自然科學(xué)基金聯(lián)合基金和安徽轉(zhuǎn)化醫(yī)學(xué)研究所的支持。

文章鏈接：https://www.sciencedirect.com/science/article/abs/pii/S0031320325006065?via%3Dihub

圖?3D醫(yī)學(xué)圖像分割的半監(jiān)督學(xué)習(xí)方法結(jié)構(gòu)圖