基于特征校准与动态一致性的双师生网络在医学图像半监督分割中的应用研究

针对医学图像分割中伪标签质量差、一致性学习弱及误差累积等问题，Jiwen Zhou团队提出DTCC-Net框架，通过高维特征校准（HDFC）、熵自适应一致性（SC）和集成树（ET）模块，显著提升左心房、胰腺等多器官分割精度，为少标注场景提供稳定解决方案。成果发表于《Biomedical Signal Processing and Control》。

　　

医学图像分割是临床诊断和手术规划的核心技术，但全监督学习依赖大量标注数据，而三维医学图像的逐层标注成本极高。现有半监督方法面临三大瓶颈：复杂解剖结构导致的伪标签噪声（如左心房薄壁）、低对比度器官（如胰腺）的预测不一致性，以及训练早期误差累积（如肝脏病变区域）。这些问题严重制约了模型在少标注场景下的泛化能力。

Medical Engineering and Theory in Image and Signal Laboratory（医学图像与信号实验室）的Jiwen Zhou团队在《Biomedical Signal Processing and Control》发表研究，提出双师生网络DTCC-Net。该框架通过三个创新模块系统解决上述问题：高维特征校准（HDFC）模块利用正交向量选择优化编码器特征对齐，将左心房分割的Dice系数提升2.3%；学生一致性（SC）模块基于熵动态调整损失权重，使胰腺-CT数据集的分割稳定性提高18%；集成树（ET）模块通过最小生成树建模体素依赖关系，有效抑制肝脏病变分割的早期误差传播。

关键技术包括：1）在LA、Pancreas-CT和FLARE数据集上验证模型；2）采用指数移动平均（EMA）更新教师模型；3）结合HDFC的跨层特征正交化与SC的熵阈值τ_initial自适应机制；4）基于MST的空间解耦算法。

【HDFC模块】通过高维空间正交投影消除特征冗余，在LA数据集上使伪标签错误率降低31%。【SC模块】动态聚焦不确定区域，胰腺分割的Hausdorff距离缩短15%。【ET模块】构建稀疏图模型，在FLARE多器官分割中减少早期误差累积达42%。

结论表明，DTCC-Net通过多尺度特征校准和动态一致性约束，在三个典型数据集上均超越UA-MT、AC-MT等基线模型。该研究为少标注医学图像分割提供了可解释性强、稳定性高的新范式，尤其适用于薄壁器官和小目标分割场景。未来可扩展至跨模态医学图像分析领域。