近期，中国科学院合肥物质院智能所王焕钦研究员团队提出一种半监督医学图像分割方法，相关成果近期以“Boundary feature alignment for semi-supervised medical image segmentation”发表于人工智能领域顶刊Pattern Recognition（中国科学院一区TOP）上。
3D医学图像像素级注释是一项繁琐且任务量巨大的工作。近年来，半监督医学图像分割能够利用少量标注图像和大量未标注图像可有效缓解人工注释压力。当前半监督医学图像分割中流行的方法是基于一致性正则化和伪标签技术，尽管它们在实现方式上有所不同，但两者都旨在从数据变化中学习不变的预测以提升模型的整体泛化能力，导致全局一致性和局部边界之间的失衡。
基于此，王焕钦团队在研究中提出了一种用于半监督医学图像分割的边界特征对齐方法以解决准确定位边界的挑战，其核心思想是鼓励模型学习标记和未标记图像的通用边界特征表示。文中设计了3D边界提取器以实现标签和伪标签边界的稳定提取，通过混合标签和伪标签边界，实现边界特征的早期嵌入以及隐式地促进不同标注状态之间的对齐。实验结果表明，仅在平均教师框架上实现该方法即在LA（左心房）、Pancreas-CT（胰腺-CT）和ACDC（右心室、左心室和心肌）三个基准数据集上实现了优异的性能。值得关注的是在ACDC数据集上，仅以10%的标注比例，即在95HD和ASD等指标上超越了全监督的性能(4.30 vs 1.15,0.99 vs 0.46)。
本论文的第一作者为黄义庚博士，通讯作者为王焕钦研究员，本研究工作得到了国家重点研发计划、安徽省科技重大专项、国家自然科学基金联合基金和安徽转化医学研究所的支持。
文章链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320325006065?via%3Dihub
图 3D医学图像分割的半监督学习方法结构图
