编辑推荐：
医学图像分割依赖大量标注数据，标注困难重重。研究人员提出基于上下文信息的混合不确定性网络 CUAMT，在左心房和脑肿瘤分割数据集实验中，其 Dice、Jaccard 和 95HD 指标表现优异，为医学图像半监督分割提供新方法。
在医学领域，医学图像分割就像是医生的 “透视眼”，对疾病的诊断和治疗有着极其重要的意义。它能够帮助医生定量分析病变体积、精准定位病理组织、清晰呈现解剖结构，为后续的治疗方案制定提供关键依据。随着深度学习的蓬勃发展，基于深度学习的医学图像分割方法也取得了不少成果。然而，这一领域的发展却遭遇了 “拦路虎”。
医学图像的标注工作堪称 “艰难险阻”。一方面，医学图像本身对比度低、噪声干扰大，像素级别的标注不仅耗费大量人力，还容易出错。另一方面，和自然图像标注相比，医学图像标注需要专业的医学知识，标注人员得花费大量时间和精力才能完成。因此，构建大规模高精度标注的医学图像数据集几乎成了 “不可能完成的任务”，这严重阻碍了医学图像分割技术的进步。
在这样的困境下，半监督学习（SSL）走进了研究人员的视野。它就像一把 “钥匙”，可以利用少量标注图像和大量未标注图像进行模型训练，大大减少了对标注数据的依赖。目前，半监督医学图像分割方法主要有伪标签法和一致性学习法。伪标签法通过模型对未标注图像生成伪标签，再用这些伪标签来微调网络；一致性学习法则是让模型在不同扰动下对相同输入保持一致的预测结果。
不过，现有的方法并非 “完美无缺”。比如，当前的不确定性正则化方法虽然在数据或模型层面引入复杂扰动来优化模型训练，但却忽视了体上下文信息（主要捕捉局部体结构，强调相邻切片间的空间关系）的学习。在 3D 医学成像中，一个体素的特征不仅取决于所在切片，还受相邻切片影响。缺乏对体上下文的有效建模，会导致在复杂区域（如边缘、组织边界等）的分割精度下降。而且，现有的不确定性估计方法大多只关注像素级不确定性，无法有效获取全局上下文信息，使得模型难以理解图像整体语义，容易在异常区域分割出错，也难以区分相似但病理不同的组织结构。
为了攻克这些难题，来自国内的研究人员开展了一项关于医学图像半监督分割的研究。他们提出了一种基于上下文信息的混合不确定性网络 CUAMT（Context - Aware Hybrid Uncertainty Network for Semi - supervised Medical Image Segmentation），并将研究成果发表在《Computer Methods and Programs in Biomedicine》上。
研究人员在这项研究中运用了多种关键技术方法。首先，设计了上下文信息提取模块 CIE（Context Information Extraction module），通过提取不同尺度的语义特征，学习图像上下文之间的联系，引导模型加强对上下文信息的学习。其次，构建了混合不确定性模块 HUM（Hybrid Uncertainty Module），结合两个不同网络的全局和局部不确定性信息，让模型聚焦于分割边界信息，提升边界分割性能。此外，研究选用了左心房数据集（LA）和多模态脑肿瘤分割挑战赛 2019 年数据集（BraTS2019）进行实验评估。
在研究结果部分，研究人员进行了对比实验，将 CUAMT 模型与 UAMT、MT 等多种当前相关的半监督方法进行比较。结果显示，在左心房分割和脑肿瘤分割数据集实验中，CUAMT 模型在 Dice 指标上达到 89.84%，Jaccard 指标达到 79.89%，95HD 指标达到 8.73。这一成绩远超其他几种当前的主流（SOTA）半监督方法，充分证实了 CIE 和 HUM 策略的有效性。
从研究结论和讨论部分来看，CUAMT 模型的出现意义非凡。它打破了传统方法的局限，创新性地将上下文信息和不确定性建模有效结合，为医学图像半监督分割开辟了新道路。一方面，CUAMT 的混合不确定性模块能同时捕捉局部和全局不确定性，让模型在相似结构的区分上表现更出色，增强了分割的稳健性，尤其是在模糊区域。另一方面，带有 3D 注意力机制的上下文提取模块，能更好地捕捉体上下文信息，提升了分割精度。而且，将这两个模块融入 UAMT 框架后，建立的一致性学习范式能更有效地利用标注和未标注数据，使模型在不同医学成像模态中都有更好的泛化能力。总之，CUAMT 模型在医学图像半监督分割领域展现出巨大的潜力，有望为未来的医学诊断和治疗带来更精准、高效的支持，推动医学图像分割技术迈向新的台阶。
