多视角动态一致性学习框架提升半监督医学图像分割性能

推荐：针对半监督医学图像分割中模型认知偏差和低置信度像素利用不足的问题，研究人员提出多视角动态一致性（MPDC）框架，通过多视角协作学习策略和动态解耦一致性机制，显著提升了边界分割精度。实验在ACDC、PROMISE12等数据集上达到SOTA性能，为临床标注成本高的医学图像分析提供了新思路。

　　

医学图像分割是辅助疾病诊断和治疗规划的关键技术，但高质量像素级标注依赖专家经验且成本高昂。半监督学习（SSL）通过结合少量标注数据和大量未标注数据缓解这一难题，但现有方法存在两大瓶颈：基于共享编码器的一致性正则化易陷入模型认知偏差（Model Cognitive Bias），而固定阈值的伪标签策略难以充分利用低置信度像素，尤其在边界模糊区域表现不佳。

针对这些问题，研究人员提出多视角动态一致性（MPDC）框架。通过设计正视角（目标区域）、逆视角（背景区域）和融合视角的三分支协作学习架构，结合动态阈值解耦和方向一致性损失，显著提升了模型的特征提取能力和边界分割精度。在ACDC心脏MRI、PROMISE12前列腺MRI及两个息肉数据集上的实验表明，MPDC在仅10%-20%标注数据下，Dice系数提升0.82%-1.52%，95HD（Hausdorff距离）降低30%，尤其边界分割性能显著优于现有方法。

关键技术包括：1）多视角分支采用独立编码器（θ_eP/θ_eR）和差异化解码器（θ_dP双线性插值vs θ_dR转置卷积）；2）动态阈值γ_i=min(γ_i^pos,γ_i^rev)实现早期训练低置信度像素利用；3）方向一致性损失（L_dc）优化决策边界附近像素分布。

多视角协作学习
正视角分支通过U-Net结构提取目标区域特征，逆视角分支通过反向模块（RM）强化背景特征学习。融合视角分支（PFM）通过特征图相乘和相减操作（f_fus=f_pos-f_mul）突出边界响应，实验显示三分支联合使ACDC数据集Dice提升0.67%。

动态解耦一致性
比较动态阈值与固定阈值（0.25/0.5/0.9）发现，动态策略在PROMISE12数据集上使ASD降低1.03 voxel。交叉伪监督（CPS）中引入融合视角后，95HD指标改善0.47 voxel。

特征一致性损失
通过通道压缩（式17）和L2归一化（式18）约束编码器-解码器特征一致性，非共享参数设计使模型参量增加35%但性能显著提升。

该研究创新性地将认知科学中的多视角理论与动态阈值机制结合，解决了医学图像低对比度区域的认知偏差问题。未来可探索特征选择机制以平衡模型复杂性与泛化能力，为少标注场景下的精准医疗提供新范式。论文发表于《Scientific Reports》，代码已开源。