编辑推荐：
现有半监督医学图像分割的 MT 模型对复杂结构器官分割易出现预测误差累积。研究人员提出 LSRL-Net 框架，含水平集和再学习模块。在 ACDC 和 PROMISE12 数据集上，其分割精度优于 SOTA，为复杂结构器官分割提供新方案。
在医学影像分析领域，精准的器官分割是疾病诊断与治疗规划的关键环节。然而，心脏、前列腺等器官因其复杂的解剖结构和模糊的边界，给医学图像分割带来巨大挑战。传统的全监督分割算法依赖大量标注数据，这在临床实践中往往面临人力成本高、耗时长的问题，而半监督学习虽能利用少量标注数据和大量未标注数据提升模型性能，但主流的 Mean Teacher（MT）模型在处理复杂结构器官时，教师模型和学生模型易产生相似的分割误差，导致错误信息在训练过程中不断累积，严重影响分割精度。如何突破复杂边界分割的瓶颈，减少半监督学习中的误差传播，成为亟待解决的重要科学问题。
为应对这一挑战，重庆理工大学的研究人员开展了相关研究，提出了一种名为 LSRL-Net 的新型半监督学习框架，并将其研究成果发表在《Biomedical Signal Processing and Control》。该研究旨在解决 MT 模型在复杂结构器官分割中存在的误差累积问题，通过引入创新模块提升半监督分割的准确性和稳定性。
研究人员主要采用了以下关键技术方法：一是水平集模块，对医学图像进行预分割，生成初始分割轮廓，以此引导教师模型在边界模糊区域的预测；二是再学习模块，在 MT 框架下对教师模型和学生模型共同误预测的困难样本进行重新训练，避免错误信息的扩散和累积。研究使用了 ACDC 和 PROMISE12 两个公开数据集，其中 ACDC 数据集包含 100 例患者的动态心脏 MRI 扫描，标注了左心室（LV）、右心室（RV）和心肌（Myo）在舒张期和收缩期的分割掩码；PROMISE12 数据集包含 50 例前列腺 MRI 图像及分割标注。
实验结果
在 ACDC 数据集上，当标注数据比例为 5% 时，LSRL-Net 的 Dice 分数较 SOTA 方法提升 1.55%；标注数据比例为 10% 时，Dice 分数提升 1.7%。在 PROMISE12 数据集上，标注数据比例为 20% 时，LSRL-Net 的 Dice 分数超越 SOTA 方法 12.08 mm；标注数据比例为 30% 时，Dice 分数提升 4.18 mm。实验结果表明，LSRL-Net 在心脏和前列腺分割任务中显著优于现有 SOTA 方法，有效提升了复杂结构和模糊边界器官的分割精度。
结论与讨论
LSRL-Net 通过水平集模块和再学习模块的协同作用，成功解决了 MT 模型在半监督分割中面临的误差累积问题。水平集模块利用传统图像分割技术为深度学习模型提供边界引导，增强了模型对模糊区域的处理能力；再学习模块则借鉴主动学习思想，针对性地对困难样本进行再训练，提升了模型的鲁棒性。该研究将传统方法与深度学习相结合，为半监督医学图像分割提供了新的技术路径，显著提高了复杂器官分割的准确性和可靠性，在临床辅助诊断领域具有重要的应用价值，为减少医生人工标注成本、提升诊断效率和精度奠定了坚实的技术基础。
