编辑推荐：
针对半监督医学图像分割中标记数据分布不平衡导致模型偏向多数类、标记与未标记样本分布差异引发伪标签确认偏差问题，研究人员开展边界感知动态重加权网络（BDRN）研究，结果显著提升分割性能，对医学图像分析有重要意义。
在医学图像分析领域，精准的器官分割是疾病诊断与治疗规划的关键基础。然而，半监督医学图像分割面临两大棘手挑战：一方面，标记数据的不平衡分布会使模型过度偏向体积占优的多数类器官（如肝脏、肾脏），而忽视食管、肾上腺等体积微小的少数类器官，导致这些关键结构的分割精度极低；另一方面，标记样本与未标记样本之间的分布差异，容易使模型在生成伪标签时产生确认偏差 —— 即模型会错误地强化对未标记数据的误判，形成 “越错越信” 的恶性循环。例如，食管等小器官在图像中占比不足 1%，传统方法难以有效捕捉其特征，而基于伪标签的半监督学习又常因边界模糊区域的误判加剧分割误差。
为突破这些瓶颈，国内研究团队开展了一项具有创新性的研究。研究人员提出了边界感知动态重加权网络（Boundary-Aware Dynamic Re-weighting Network，BDRN），旨在通过多维度策略提升半监督学习在医学图像分割中的性能。相关成果发表在《Expert Systems with Applications》。
研究采用的关键技术方法包括：
- 边缘滤波与多视图生成：利用边缘滤波器生成视觉差异显著但语义一致的视图，引导两个并行子网络分别学习器官内部结构和边界特征，无需额外边缘标注。
- 形态学算子与边界约束：通过形态学运算提取边界和内部区域，引入形状约束增强特征学习的空间一致性。
- 冲突对抗模块：通过建模不同视图预测的一致性与冲突性，提升伪标签在类不平衡和边界模糊场景下的可靠性。
- 基于有效样本数的动态重加权：自适应调整标记与未标记数据的权重，强化模型对少数类的关注。
研究结果
边缘感知引导与多视图一致性
通过边缘滤波器生成的双视图（内部结构视图与边界增强视图）迫使子网络分别聚焦器官内部特征与边界细节。实验表明，该策略显著提升了模型对模糊边界的辨识度，例如在 Synapse 数据集上，食管等少数器官的分割 Dice 分数在使用 10%、20%、40% 标记数据时分别提升 17.1%、46.2% 和 49.4%。
边界相似性度量与形状约束
利用形态学交集计算预测掩码与其边界的相似性，设计边界感知损失函数，有效纠正了传统方法在边界区域的偏倚。消融实验显示，移除边界约束后，少数类分割性能下降约 10%-15%，验证了边界信息对医学图像分割的关键作用。
冲突对抗与动态重加权的协同效应
冲突对抗模块通过显式区分一致与冲突预测，抑制了伪标签中的错误传播，而动态重加权策略则根据样本有效数调整权重，避免模型被多数类主导。两者结合使模型在类不平衡场景下的全局分割精度（如 Dice Score）提升 8%-12%，尤其在小器官分割中优势显著。
数据集验证与性能对比
在 Synapse（含 13 个器官）和 AMOS 数据集上的实验表明，BDRN 在多种标记数据比例下均优于现有方法，如 DistDW、DiffDW 等。例如，在 AMOS 数据集的胰腺分割任务中，BDRN 的 Dice 分数比基线模型提高 9.3%，展现出对复杂解剖结构的鲁棒性。
研究结论与意义
本研究针对医学图像分割的独特挑战，提出了融合边界感知、多视图一致性与动态重加权的半监督学习框架 BDRN。通过模拟临床医生利用器官内部特征解析边界、关注少数类的思维模式，该方法有效缓解了类不平衡导致的模型偏倚与伪标签确认偏差问题。实验结果表明，BDRN 在 CT 和 MR 图像分割中均实现了 state-of-the-art 性能，尤其为食管、肾上腺等小器官的精准分割提供了新方案，对提升医学影像分析的自动化水平、降低临床标注成本具有重要意义。未来研究可进一步探索跨模态数据融合与更高效的伪标签校正机制，推动半监督学习在精准医疗中的实际应用。
