提升医学图像分割效果：一种结合全局特征增强与边缘约束引导的自监督方法

《Displays》：Enhancing medical image segmentation: A self-supervised approach with global feature enhancement and edge constraint guidance

基于边缘注意力和全局特征增强的自监督医学图像分割模型TSEM-Net在Abdomen和CHAOS数据集上分别达到79.70%和78.81%的Dice系数，有效缓解标注数据稀缺问题。

　　
由西北大学信息科学与技术学院Miao Wang、Zechen Zheng、Congqian Wang、Chao Fan、Xuelei He组成的团队，针对医学图像分割中标注数据稀缺与模型性能不足的矛盾，提出了一种基于边缘注意力和全局特征增强的自监督分割框架。该研究在腹部CT影像和CHAOCS医学图像数据集上验证，获得平均79.70%的Dice系数，显著优于传统监督学习方法。

研究背景指出，医学图像分割虽在深度学习推动下取得进展，但高度依赖像素级标注数据，而真实标注成本高昂且存在数据偏差。现有自监督方法虽能利用无标注数据，但存在三大痛点：首先，单纯依赖局部特征提取易丢失器官整体结构；其次，全局特征建模受限于注意力头的数量和计算效率；最后，边缘信息增强不足导致分割边界模糊。这些缺陷在处理具有复杂解剖边界、多模态特征和领域知识的医学影像时尤为明显。

团队通过构建三级协同框架突破现有局限。在特征提取层，创新性地采用双分支结构：全局分支通过Transformer堆叠实现超长距离依赖建模，有效捕捉器官的三维空间连续性；局部分支采用Mamba架构实现轻量化多尺度特征融合，在保证计算效率的同时提取边缘级纹理信息。中间层设计特征对齐机制，通过对比学习确保不同分支输出的语义一致性。

边缘增强模块引入动态权重分配机制，结合预训练的医学图像特征分布特性，自动识别解剖结构的重要边缘。实验证明，这种注意力机制能有效平衡小器官（如胰腺）和大器官（如肝脏）的分割精度，在低对比度区域边缘识别准确率提升23.6%。为解决传统边缘损失函数的过平滑问题，团队提出复合边缘损失（CEEG-Loss），将边缘梯度惩罚与语义相似度约束相结合，在保证边界光滑性的同时维持解剖结构准确性。

全局特征增强模块（GFEM）突破传统方法单一提升全局特征的局限，构建"特征提取-语义增强-动态融合"的递进式优化流程。特征提取层采用医学影像特有约束的卷积核组，有效抑制呼吸运动等伪影干扰。语义增强模块通过对比学习构建跨器官特征空间，使不同解剖结构在深层网络中形成可区分的语义表征。动态融合机制根据输入图像的内容复杂度，自动调节全局与局部特征的权重比例，在CT与MRI混合数据场景下表现尤为突出。

模型训练采用自监督预训练策略，通过伪标签生成机制构建正负样本对。具体而言，在原始图像中随机裁剪超像素块作为查询样本，利用对抗生成网络生成背景区域特征作为支持样本。这种设计不仅避免人工标注的偏差，还能通过图像内在结构学习自动生成伪标签。训练过程中采用渐进式监督策略，初期允许模型以较低置信度输出伪标签，随着迭代深入逐步提高分类置信度阈值，有效缓解冷启动问题。

在实验验证部分，研究团队选择了具有挑战性的腹部CT和CHAOS多模态数据集。Abdomen数据集包含13个腹部器官的高分辨率切片，重点考察模型在解剖结构复杂区域的分割能力。CHAOS数据集则包含4个主要器官的跨模态数据，重点测试模型在低对比度背景下的边缘保持能力。对比实验显示，与传统监督学习模型相比，本文方法在Dice系数上平均提升5.8%，尤其在脾脏与肾脏的解剖分界区域，分割精度提高达12.3%。

创新点体现在三个维度：架构层面构建了"全局-局部"双通道协同机制，解决了传统多尺度融合方法参数爆炸问题；损失函数层面设计了复合边缘损失，平衡了边界平滑与结构保持的矛盾；训练策略层面提出渐进式伪标签生成方法，有效缓解了自监督学习中的样本偏差问题。这些技术突破使得模型在计算资源受限的情况下（如单GPU训练），仍能保持与复杂架构模型相当的性能。

在临床应用验证中，模型展现出良好的泛化能力。测试集包含20%的未见过的器官组合（如胃与胰尾），其Dice系数仍保持78.5%以上。特别值得关注的是，在标注不完整的区域（约占30%的图像切片），模型通过自监督学习仍能保持85.2%的边缘定位准确率。这种鲁棒性归功于GFEM模块中的动态正则化机制，可根据解剖区域的空间分布特征自动调整约束权重。

该研究为医学图像分割提供了新的范式，其核心价值在于：首先，构建了自监督预训练框架与细粒度分割任务的无缝对接机制，解决了跨任务迁移中的特征退化问题；其次，提出的边缘增强模块在参数量减少40%的情况下，边缘定位精度提升18.7%；最后，全局特征增强模块的创新设计使模型在处理具有家族聚集性特征的器官（如双肾）时，空间一致性指标提升至92.4%。

未来工作计划在三个方向深化研究：首先，探索多模态医学影像（CT-MRI融合）的自监督联合训练框架；其次，开发基于生理先验的动态约束机制，提升小器官分割的可靠性；最后，构建轻量化边缘推理模块，实现模型在移动医疗设备的部署应用。这些扩展方向将为自监督医学分割技术注入新的活力，推动其在临床辅助诊断中的实际应用进程。