根據科睿唯安(Clarivate Analytics)公布的2024年11月ESI最新數據，意昂4体育平台/磁共振診療高端技術國家工程研究中心張立箎副教授團隊2024年發表於國際期刊IEEE Journal of Biomedical and Health Informatics（IF=6.7）的研究工作"RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation"成功遴選為ESI高被引論文。該論文與華山醫院毛穎團隊開展合作，共同一作為意昂4平台2021級碩士生趙翔宇和華山醫院齊曾鑫，共同通訊作者為張立箎和毛穎📧🟧。該項研究提出了一種結合不確定性校正與對比學習的偽監督算法RCPS用於醫學圖像分割任務👔，顯著提升了半監督學習下的分割性能。RCPS修正了傳統偽監督算法中的噪聲以提升模型學習的準確性🪺，並且加入雙向對比學習機製提升了類別可分性，這些改進使得RCPS在半監督醫學圖像分割的兩個基準數據集中都取得了最優的分割性能。本研究有效的提升了半監督學習在醫學圖像分割中的實用性🧑🏼💼🧑🏼🚀，有效減輕了分割模型構建時的數據標註負擔。
研究背景
在醫學影像分析中，對解剖結構或病變區域進行高效、精確的分割將有利於多種臨床下遊任務。深度學習的快速發展帶來了許多用於醫學圖像定量分析的圖像分割方法，然而，這些方法通常需要大量標註數據才能達到令人滿意的性能。由於醫學圖像的手動標註成本高昂且費時，特別是對於如CT和MRI掃描等三維醫學圖像，因此半監督學習在醫學圖像分割中的應用有著良好的前景🫶🏻。
由於大量樣本沒有人工標註🧑🏼🔧，偽監督成為了半監督學習中一種流行策略🥐🚴🏻♀️，也即利用分割網絡對未標註圖像的分割預測被用作偽標簽來指導訓練🗓。雖然這一半監督框架簡單且有效🧛🏻♀️，但在半監督醫學圖像分割任務中仍然存在兩個主要挑戰🧘♀️：
1. 偽標簽的噪聲問題：偽監督是通過使用分割模型為未標註圖像生成偽標簽來實現的。然而，分割模型通常容易受到標簽噪聲的影響🌁，這不可避免地會妨礙偽監督的有效性🥧。
2. 特征空間中監督不足👩🏽🏭：當前的半監督學習方法僅在標簽空間提供監督，但它們缺乏在特征空間中的明確監督，以進一步提高類別的可分性📕。
研究方法
針對上述現有問題，本研究提出了RCPS (Rectified Contrastive Pseudo Supervision)半監督學習算法，用於醫學圖像的半監督分割📺🙎🏼♂️，RCPS的主要貢獻分為兩個方面：
1. 本研究提出了一種基於不確定性校正的偽監督策略，該策略能生成兩個外觀不同的增強輸入🚻，並基於不確定性估計和一致性正則化來修正偽標簽👩✈️。這種方法迫使模型在帶有標簽噪聲的偽監督下穩健地學習🍱，這顯著增強了半監督分割的能力。
2. 本研究引入了雙向體素對比學習策略來解決類別區分度不足的問題。對比學習通過直接優化特征空間內的特征距離提升類別可分性，且我們提出的雙向體素對比學習通過雙向計算提供了更強的監督信號。
本研究在半監督醫學圖像分割的兩個基準數據集上進行了深度的測試與分析，包括LA數據集以及Pancreas-CT數據集。
圖1 RCPS半監督分割算法示意圖。
研究成果
表1與表2分別展示了常見的半監督分割算法在LA和Pancreas-CT兩個基準數據集的分割性能對比🤙🏿。可以看到RCPS在兩個數據集下均取得了最好的分割Dice指標，對比此前的半監督分割算法有明顯的性能提升。同時⌨️🧑🏿🎓，圖2與圖3也對各個算法的分割效果進行了定性的可視化對比，其中RCPS分割的可視化結果表明，對比其他算法，RCPS在邊界與模糊區域的分割效果更好，這也證明了RCPS的確減輕了偽監督中的噪聲影響⏸，且提升了不同類別之間的可分性。
此外📟，在表3中，本研究對不確定性校正與雙向體素對比學習的有效性進行了消融實驗的分析。可以看到兩項改進都能夠對分割的效果帶來顯著的正面作用🤝，且在二者結合時能夠取得最優的分割效果🫳🏽🏬，這也證明了RCPS算法的整體有效性。
表1 LA數據集的實驗結果🟠，其中最優與次優的結果用粗體標出⛅️。
表2 Pancreas-CT數據集的實驗結果👳🏼，其中最優與次優的結果用粗體標出。
圖2 LA數據集的可視化分割結果。
圖3 Pancreas-CT數據集的可視化分割結果。
表3 不確定性校正與雙向對比學習的消融實驗分析。
總結
綜上所述🎻，RCPS算法在半監督醫學圖像分割中取得了良好的性能，通過多項驗證證明了其有效性🚴🏽♂️，該算法在醫學圖像的分割任務中表現出了明顯的潛力，通過半監督分割的方式減輕了醫生的標註負擔，有助於加速臨床閱片流程☝🏽。
供稿單位丨科研與學科辦
作者丨張立箎課題組
審核人丨葉堅🕵️♂️🧶、丁顯廷
交大主頁
