EUTNet：一种考虑边缘不确定性的、具有拓扑约束的半监督医学图像分割方法

《Biomedical Signal Processing and Control》：EUTNet: Edge Uncertainty-Aware Consistency and topology-constrained semi-supervised medical image segmentation

本文提出一种结合边缘不确定性感知一致性和拓扑约束的半监督医学图像分割方法，通过动态调整置信阈值解决边缘区域噪声问题，并引入拓扑约束模块确保解剖结构合理性，在ACDC和SegTHOR数据集上显著优于FixMatch，Dice分数分别提升12.98%和19.22%。

　　随着人工智能技术的不断发展，医学图像分割在临床应用中扮演着越来越重要的角色。然而，传统的医学图像分割方法通常依赖于大量精确的像素级或体素级标注数据，这种标注过程不仅耗费大量人力和时间，而且在实际应用中往往难以实现。因此，减少对标注数据的依赖成为医学图像分割领域的重要研究方向。近年来，半监督学习（Semi-Supervised Learning, SSL）作为一种有效的策略，受到了广泛关注，因为它可以在仅有少量标注数据的情况下，利用大量未标注数据来提升模型的性能。特别是在多类别医学图像分割任务中，基于一致性正则化（consistency regularization）的半监督方法展现出了显著的潜力。

尽管如此，当前的半监督方法仍然存在一些关键的局限性。首先，许多方法忽略了边缘区域对标签可靠性的影响。在医学图像中，边缘区域往往具有较高的不确定性，例如器官边界、组织交界处等，这些地方的伪标签容易受到噪声、伪影和边缘模糊的影响，从而误导模型学习到不准确的特征。其次，现有方法在建模不同类别之间的生物拓扑结构方面存在不足。医学图像中的组织和器官之间通常存在复杂的空间关系，例如某些器官包含其他器官（如心肌包裹左心室），或者某些器官彼此排斥（如食管和气管不重叠）。然而，大多数半监督方法在生成伪标签时并未充分考虑这些拓扑关系，导致生成的伪标签缺乏生物合理性，影响了模型的可解释性和临床适用性。

为了解决上述问题，我们提出了一种新的半监督医学图像分割算法，该算法结合了边缘不确定性感知和拓扑约束，旨在缓解边缘区域的不一致性，并确保分割结果符合解剖学的合理性。在无监督学习部分，我们引入了边缘不确定性感知的一致性模块，该模块通过一种自适应的动态阈值策略，利用边缘不确定性来优化伪标签的质量。在监督学习部分，我们设计了一个拓扑约束模块，该模块通过卷积操作检测违反结构先验的像素，并在优化过程中对其施加惩罚，从而间接地对教师模型的伪标签施加拓扑一致性约束。通过将这两个模块结合起来，我们的方法能够更有效地利用未标注数据，同时避免因伪标签质量不高而导致的模型偏差。

在实际应用中，边缘区域的处理尤为关键。由于边缘往往处于图像中信息最丰富的部分，但同时也是最难以准确分割的区域，因此如何有效识别和处理这些区域成为提高分割精度的重要环节。传统的伪标签生成方法通常采用固定的置信度阈值，这种方法虽然简单有效，但在处理边界区域时表现不佳。因为边界区域的预测容易受到噪声和图像质量的影响，导致生成的伪标签不准确。而我们的边缘不确定性感知一致性模块则通过动态调整置信度阈值，根据相邻训练周期之间边缘不确定性的变化趋势来优化伪标签的生成过程。这种自适应的策略不仅能够提升伪标签的质量，还能保留更多有用的边缘信息，从而提高模型在边界区域的分割能力。

此外，我们还设计了拓扑约束模块，用于建模不同组织或器官之间的复杂空间关系。在医学图像中，解剖结构的拓扑关系是至关重要的，例如心肌包裹左心室、右心室与左心室之间的相互关系，以及器官之间的排斥性（如食管和气管不重叠）。这些先验知识可以作为约束条件，帮助模型在分割过程中避免生成不符合解剖学逻辑的伪标签。我们的拓扑约束模块通过卷积操作来检测违反结构先验的像素，并在训练过程中对其施加惩罚，从而引导模型学习更合理的解剖结构关系。同时，这种约束还通过教师模型的指数移动平均（EMA）机制传播到伪标签的生成过程中，为模型提供隐式的拓扑指导。

为了验证我们提出方法的有效性，我们在两个公开的医学图像分割数据集上进行了广泛的实验。第一个是心脏数据集（ACDC）[56]，该数据集来源于法国第戎大学医院的临床检查，包含了100名患者的多切片2D心脏磁共振成像（MRI）样本，用于心脏结构的分割，包括左心室腔室（LV）、右心室腔室（RV）和心肌（MYO）。第二个是SegTHOR数据集，该数据集包含胸部CT图像，用于肺部和心脏等器官的分割任务。在这些数据集上，我们的方法在仅使用10%的标注数据时，分别在ACDC和SegTHOR数据集上取得了88.33%和77.65%的Dice分数，显著优于现有的主流方法FixMatch，分别高出12.98%和19.22%。这一结果表明，我们的方法在处理边缘区域和建模拓扑关系方面具有显著优势。

我们的方法不仅在实验数据上表现出色，而且在理论层面也有创新。首先，我们提出了边缘不确定性感知一致性模块（Edge Uncertainty-Aware Consistency, EUC），该模块能够动态调整置信度阈值，以适应不同训练阶段的边缘不确定性变化。这种自适应机制使得模型能够在不同阶段灵活选择训练像素，从而更有效地利用未标注数据，同时避免伪标签中的噪声干扰。其次，我们设计了拓扑约束模块（Topological Constraints, TC），该模块通过卷积操作检测违反结构先验的像素，并在优化过程中对其施加惩罚，从而确保生成的伪标签符合解剖学的合理性。TC模块不仅提高了模型在拓扑关系建模方面的性能，还通过EMA教师模型将拓扑约束隐式地传递到伪标签的生成过程中，进一步增强了模型的鲁棒性。

在实现过程中，我们对EUC模块和TC模块进行了详细的优化。EUC模块的核心在于动态调整置信度阈值，以适应边缘区域的不确定性变化。我们通过比较相邻训练周期之间的边缘不确定性，来跟踪整体的训练趋势，并据此调整模型的置信度阈值。这种动态调整机制能够有效提升伪标签的质量，尤其是在边界区域。另一方面，TC模块则专注于建模不同组织或器官之间的空间关系。我们利用卷积神经网络（CNN）的结构特性，通过卷积操作检测违反拓扑结构的像素，并在损失函数中引入相应的惩罚项，从而引导模型学习更合理的解剖结构关系。

此外，我们还对整个模型的训练过程进行了系统性的优化。在无监督学习部分，我们通过EUC模块对伪标签进行精细化处理，使其更符合实际医学图像的边界特性。在监督学习部分，我们通过TC模块对模型的输出进行约束，确保其在生成伪标签时能够遵循解剖学的先验知识。通过将这两个模块结合起来，我们的方法能够在不依赖大量标注数据的情况下，实现高质量的医学图像分割。实验结果表明，这种方法在边界区域和类别区分方面表现尤为突出，能够有效解决传统半监督方法在处理边缘不确定性和拓扑关系建模方面的不足。

在医学图像分割的应用中，模型的性能不仅取决于其在已知区域的分割准确性，还受到边界区域分割质量的显著影响。边界区域的分割往往面临更高的不确定性，因为这些区域的特征可能更加模糊，或者受到图像噪声和伪影的影响。因此，如何有效处理这些边界区域，成为提升分割模型性能的关键。我们的方法通过引入边缘不确定性感知机制，能够更准确地识别和处理这些区域，从而提高整体的分割质量。同时，我们通过拓扑约束模块，确保模型在分割过程中遵循医学图像中的解剖结构关系，避免生成不符合临床常识的分割结果。

从实际应用的角度来看，我们的方法具有重要的意义。在临床环境中，医学图像分割的准确性和可靠性直接影响到疾病的诊断和治疗方案的制定。因此，模型不仅要能够分割出准确的器官或组织区域，还需要能够生成符合解剖学逻辑的分割结果。我们的方法通过结合边缘不确定性感知和拓扑约束，能够在减少标注数据需求的同时，确保分割结果的合理性。这种特性使得我们的方法在实际医疗应用中具有更高的实用价值，尤其是在标注数据稀缺的情况下。

在模型设计方面，我们采用了一种模块化的方式，将边缘不确定性感知和拓扑约束分别作为无监督和监督学习的组成部分。这种设计不仅提高了模型的灵活性，还使得各个模块能够独立优化，从而在整体上提升模型的性能。EUC模块负责处理未标注数据的伪标签生成，通过动态调整置信度阈值，确保生成的伪标签具有较高的可靠性。TC模块则负责监督学习过程中的拓扑关系建模，通过检测违反结构先验的像素并施加惩罚，确保模型在生成伪标签时遵循医学图像的解剖学逻辑。

在实验设计上，我们选择了两个具有代表性的医学图像分割数据集：ACDC和SegTHOR。这两个数据集分别涵盖了心脏和胸部的医学图像，具有较高的临床价值和研究意义。通过在这些数据集上进行实验，我们能够全面评估我们方法的性能，并与现有的主流方法进行对比。实验结果表明，我们的方法在仅使用10%的标注数据时，就能在ACDC和SegTHOR数据集上取得显著的性能提升，这充分说明了我们方法的有效性。

除了实验结果外，我们还对方法的可解释性和临床适用性进行了深入分析。在医学图像分割任务中，模型的可解释性对于临床医生的使用至关重要。我们的方法通过引入拓扑约束和边缘不确定性感知，能够在一定程度上提升模型的可解释性，使得分割结果更符合医学常识。同时，由于我们的方法在生成伪标签时考虑了边缘不确定性和拓扑结构，因此能够减少模型对噪声和伪影的敏感性，提高分割结果的稳定性。

在实际应用中，医学图像分割模型的鲁棒性同样非常重要。由于医学图像往往受到各种因素的影响，如扫描设备的差异、患者的个体差异以及图像的噪声水平等，因此模型需要具备较强的鲁棒性，以适应不同的图像条件。我们的方法通过一致性正则化和拓扑约束的结合，能够有效提升模型的鲁棒性。一致性正则化通过鼓励模型在不同扰动下生成一致的预测结果，从而增强模型的稳定性。而拓扑约束则通过引入解剖学的先验知识，使得模型在面对不确定的图像区域时，能够基于已知的结构关系做出更合理的预测。

此外，我们的方法还具备一定的泛化能力。由于医学图像分割任务通常涉及复杂的解剖结构和多样的图像特征，因此模型需要具备良好的泛化能力，以适应不同的应用场景。通过引入边缘不确定性感知和拓扑约束，我们的方法能够在不同的医学图像数据集中保持较高的分割性能，而不会受到数据分布变化的影响。这种泛化能力使得我们的方法不仅适用于心脏和胸部的医学图像分割，还可能扩展到其他医学图像分割任务中。

在模型的优化过程中，我们还考虑了如何平衡无监督学习和监督学习的贡献。由于半监督学习的核心在于利用未标注数据来提升模型性能，因此如何有效地利用这些数据成为关键问题。我们的方法通过EUC模块对伪标签进行优化，使其更接近真实标签，从而提高无监督学习的贡献。同时，TC模块通过引入拓扑约束，使得监督学习部分能够更好地指导模型的学习过程，从而确保模型在生成伪标签时遵循解剖学的合理性。

在实际应用中，我们的方法还可以与其他医学图像处理技术相结合，以进一步提升分割效果。例如，可以结合图像增强技术来提高未标注数据的质量，或者结合多模态数据融合技术，以利用不同模态的数据信息。此外，我们的方法还可以应用于其他医学图像任务，如病灶检测、器官分类等，从而拓展其应用范围。

综上所述，我们提出了一种新的半监督医学图像分割算法，该算法通过结合边缘不确定性感知和拓扑约束，有效解决了传统方法在处理边缘不确定性和建模拓扑关系方面的不足。实验结果表明，我们的方法在两个公开数据集上均取得了优异的性能，特别是在边界区域和类别区分方面表现突出。这种方法不仅在理论上具有创新性，而且在实际应用中也展现出较高的实用价值，为医学图像分割领域提供了一种新的解决方案。