近期，中國科學院合肥物質院智能所王煥欽研究員團隊提出一種半監督醫學圖像分割方法，相關成果近期以“Boundary feature alignment for semi-supervised medical image segmentation”發表于人工智能領域頂刊Pattern Recognition（中國科學院一區TOP）上。

3D醫學圖像像素級注釋是一項繁瑣且任務量巨大的工作。近年來，半監督醫學圖像分割能夠利用少量標注圖像和大量未標注圖像可有效緩解人工注釋壓力。當前半監督醫學圖像分割中流行的方法是基于一致性正則化和偽標簽技術，盡管它們在實現方式上有所不同，但兩者都旨在從數據變化中學習不變的預測以提升模型的整體泛化能力，導致全局一致性和局部邊界之間的失衡。

基于此，王煥欽團隊在研究中提出了一種用于半監督醫學圖像分割的邊界特征對齊方法以解決準確定位邊界的挑戰，其核心思想是鼓勵模型學習標記和未標記圖像的通用邊界特征表示。文中設計了3D邊界提取器以實現標簽和偽標簽邊界的穩定提取，通過混合標簽和偽標簽邊界，實現邊界特征的早期嵌入以及隱式地促進不同標注狀態之間的對齊。實驗結果表明，僅在平均教師框架上實現該方法即在LA（左心房）、Pancreas-CT（胰腺-CT）和ACDC（右心室、左心室和心肌）三個基準數據集上實現了優異的性能。值得關注的是在ACDC數據集上，僅以10%的標注比例，即在95HD和ASD等指標上超越了全監督的性能(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研發計劃、安徽省科技重大專項、國家自然科學基金聯合基金和安徽轉化醫學研究所的支持。

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

圖?3D醫學圖像分割的半監督學習方法結構圖