基于教育启发的半监督学习框架PedSemiSeg在结直肠息肉分割中的应用研究

针对医学图像标注成本高、数据分布偏移等挑战，研究人员提出教育启发的半监督学习框架PedSemiSeg，通过几何-强度序列增强、教师双边监督和熵引导的同伴互学，显著提升有限标注数据下的息肉分割性能。实验表明，该方法在SUN-SEG和Kvasir-SEG数据集上DSC值最高提升12.7%，且在多中心PolypGen数据集展现优异泛化能力，为计算机辅助诊断(ESD)提供新思路。

　　

在医学影像分析领域，结直肠息肉分割是早期癌症筛查的关键环节。随着深度学习技术的普及，完全监督方法虽取得进展，却面临两大痛点：专业医师标注成本高昂，单例息肉标注需耗时数分钟；不同医疗中心的设备差异导致数据分布偏移，模型泛化能力受限。传统半监督学习(SSL)虽能利用未标注数据，但现有方法对医学图像特有的几何形变和强度变化适应性不足，性能与全监督模型仍有显著差距。

受现实教育场景中"教师反馈-同伴互学"机制的启发，国内研究人员提出PedSemiSeg框架。该方法创新性地将教学理念融入深度学习：教师模型通过弱增强图像生成伪标签和互补标签，以正负双向监督指导学生模型；学生模型间则基于预测熵进行动态互学。研究采用来自SUN-SEG和Kvasir-SEG数据集的100例息肉病例，按1/16至1/2比例划分标注数据，在保持总训练样本量不变条件下验证方法有效性。

关键技术包含三方面：1) 几何-强度序列增强策略，先施加弱几何扰动保持空间结构，再施加强光度扰动模拟临床变异；2) 教师双边监督机制，利用弱增强分支输出同时指导正确区域(伪标签)和错误区域(互补标签)学习；3) 熵引导的同伴互学，当两个强增强分支预测不确定性差异超过阈值时，触发单向知识迁移。

In-distribution评估显示，仅用1/16标注数据时，PedSemiSeg在SUN-SEG和Kvasir-SEG上的DSC分别达0.6832±0.0268和0.6532±0.0384，较次优方法提升9.3%。Methodological insights揭示，弱几何增强保留的边界信息使伪标签质量提升23%，而同伴互学使模型对光学校正差异的鲁棒性提高17%。外部验证在PolypGen多中心数据集上，该方法mIoU达0.712，显著优于基线模型FixMatch的0.621。

讨论部分指出，PedSemiSeg的创新在于将教育学的认知规律转化为机器学习范式：教师监督对应"纠错教学"，同伴互学模拟"小组讨论"，这种结构化学习方式使未标注数据利用率提升38%。临床意义在于，该方法可适配不同品牌内窥镜的成像差异，有望减少ESD手术中25%的误切率。未来研究将探索跨模态(如NBI与白光图像)的协同学习机制。该成果发表于《Computerized Medical Imaging and Graphics》，为医学SSL研究提供了教育学交叉创新的范例。