通过原型互学习和循环任务一致性实现边界精确的半监督医学图像分割

《Digital Signal Processing》：Boundary-Precise Semi-Supervised Medical Image Segmentation via Prototypical Mutual Learning and Cyclic Task Consistency

半监督医学图像分割中，我们提出PMCM框架整合原型互学习与循环多任务学习，通过统一类原型缓解原型偏差并增强伪标签可靠性评估，同时利用可学习变换实现分割与距离场任务的双向监督，显著提升边界分割精度，在CT和MRI数据集上验证有效性。

　　在医学影像分析领域，近年来深度学习技术的快速发展为疾病诊断和治疗规划提供了新的可能性。医学影像分割（Medical Image Segmentation, MIS）作为其中的关键环节，能够帮助医生更准确地识别病变区域，为后续的临床决策提供重要依据。然而，传统的医学影像分割方法通常依赖于大量的高质量标注数据，这在实际应用中面临较大挑战，因为医学影像的标注过程不仅耗费大量人力，而且具有较高的专业门槛。因此，如何在有限的标注数据条件下，提升医学影像分割的精度，成为当前研究的重点之一。

针对这一问题，半监督学习（Semi-Supervised Learning, SSL）作为一种有效的方法，逐渐受到关注。SSL的核心思想是利用大规模的无标签数据，结合少量的有标签数据，从而提高模型的泛化能力和分割效果。在现有的SSL方法中，一致性正则化（Consistency Regularization）和伪标签（Pseudo Labeling）是两种主要的策略。一致性正则化通过强制模型在输入的不同扰动下产生一致的预测结果，从而减少模型对标签的依赖；而伪标签方法则通过预测无标签数据的标签，并将其作为额外的训练样本，与有标签数据共同训练模型。尽管这两种方法在医学影像分割任务中展现出良好的性能，但它们仍然存在一些关键的局限性，可能会影响最终的分割效果。

首先，伪标签方法在评估标签可靠性时，常常依赖于类原型（Class Prototype）。类原型通常定义为特定类别特征向量的均值，用于衡量预测结果与真实标签之间的相似性。然而，当前的方法在构建类原型时，往往仅考虑有标签数据或无标签数据，而忽略了两者之间的综合分布。这种做法可能导致类原型无法准确反映整个数据集的特征分布，从而引入“原型偏差”（Prototype Bias）。原型偏差的存在，会削弱伪标签的可靠性，进而影响模型的学习效果，最终导致分割精度下降。

其次，现有的多任务学习方法在处理医学影像分割与边界回归任务时，通常采用单向监督的方式，即通过将分割结果转化为边界距离场（Signed Distance Field, SDF）来指导边界预测。然而，这种策略忽视了任务之间潜在的互补信息，限制了模型在多任务学习中的表现。此外，由于从分割到SDF的转换过程具有非可微性，主流方法通常采用近似函数来实现这一转换，导致模型对分割结果的依赖性增强，从而削弱了多任务学习的协同效应。

为了克服上述问题，本文提出了一种新的半监督医学影像分割框架，命名为PMCM（Prototypical Mutual Correction and Cyclical Multi-Task Learning）。该框架结合了原型互学习（Prototypical Mutual Learning, PML）和循环多任务学习（Cyclical Multi-Task Learning, CML）两种策略。PML通过引入一个统一的类原型，综合考虑有标签和无标签数据的特征分布，从而提升伪标签的可靠性，并减少原型偏差。这一类原型不仅能够更准确地评估预测结果的可靠性，还支持网络之间的互校正机制，使得模型在训练过程中能够更有效地利用不确定性信息，提高分割精度。

CML则通过学习分割空间与SDF之间的可学习映射，实现任务间的双向监督，从而促进跨任务的信息交换。与传统方法不同，CML不仅关注从分割到SDF的单向转换，还引入了从SDF到分割的反向监督机制，使得模型能够在两个任务之间进行更全面的学习和优化。这种双向监督的策略，不仅提升了边界分割的精度，还增强了模型对无标签数据的利用能力，使得其在标注数据有限的情况下依然能够保持较高的性能。

在实验部分，本文在两个公开的医学影像数据集上进行了广泛的测试，分别包括CT和MRI模态。实验结果表明，PMCM在分割精度方面优于现有的多种方法，特别是在标注数据较少的情况下，其性能提升更为显著。此外，通过消融实验，进一步验证了PMCM中各个组件的有效性。消融实验结果显示，原型互校正（Prototypical Mutual Correction）是PMCM中最为关键的组成部分，其缺失会导致分割效果明显下降。具体而言，在LA数据集上，当去除原型互校正模块时，Dice评分下降了2.91%，而95HD（95% Hausdorff Distance）则增加了7.17个体素；在NIH胰腺数据集上，去除该模块后，分割精度也出现了明显的下降。

本文的研究不仅限于理论分析，还通过实际实验验证了所提出方法的有效性。通过对比不同方法在有限标注数据下的表现，可以发现PMCM在提升分割精度和边界回归准确性方面具有显著优势。此外，PMCM在处理不同模态的医学影像时，也展现出良好的适应性，能够有效应对CT和MRI图像在特征分布上的差异。

在医学影像分析中，边界分割的精度对于疾病的诊断至关重要。因此，本文提出的PMCM框架不仅关注分割结果的准确性，还特别强调边界回归的优化。通过引入可学习的转换机制，PMCM能够更有效地利用不同任务之间的互补信息，从而提升整体的分割效果。此外，PMCM在处理无标签数据时，能够通过双向监督机制，避免因伪标签不可靠而导致的“确认偏差”（Confirmation Bias），使得模型在训练过程中更加稳健。

在实际应用中，医学影像分割不仅需要考虑分割的准确性，还需要关注模型的泛化能力。PMCM通过结合原型互学习和循环多任务学习，能够在有限的标注数据条件下，提升模型对无标签数据的利用效率，从而增强其在实际场景中的表现。此外，PMCM还能够有效应对医学影像中的复杂结构，提高对不同器官和病变区域的分割能力。

本文的研究还涉及了医学影像数据的预处理和评估方法。在实验过程中，本文采用了标准的预处理流程，包括图像标准化、去噪、增强等步骤，以确保数据质量。同时，本文在评估模型性能时，使用了多种指标，如Dice评分、95HD、平均表面距离（Mean Surface Distance, MSD）等，以全面衡量分割效果。通过对比不同方法在这些指标上的表现，可以更直观地评估PMCM的优势。

此外，本文还探讨了医学影像分割中常见的伦理问题。所有用于实验的医学影像数据均来源于公开的开放获取数据集，确保了数据的合法性和可追溯性。同时，本文声明不存在与研究相关的利益冲突，所有作者均未与任何机构或个人存在可能影响研究结果的财务或个人关系。

总的来说，本文提出了一种新的半监督医学影像分割框架PMCM，该框架通过结合原型互学习和循环多任务学习，有效解决了原型偏差和确认偏差问题，提升了分割精度和边界回归的准确性。实验结果表明，PMCM在有限标注数据条件下，能够实现优于现有方法的性能，具有广泛的应用前景。未来，本文的方法可以进一步拓展至其他医学影像任务，如器官分割、病灶检测等，为医学影像分析提供更加全面和有效的解决方案。