基于伪标签交叉监督与置信增强的脑部亚结构半自动分割方法CSCE研究

针对脑部亚结构分割标注成本高的问题，研究人员提出CSCE框架，通过U-Net与TransUNet双模型交叉监督和熵值不确定性检测机制，在IBSR和MALC数据集上实现最优Dice分数，为神经精神疾病影像分析提供高效解决方案。

　　

在探索大脑奥秘的征程中，亚皮质结构的精准分割如同绘制"神经地图"的关键笔触。这些深藏于大脑皮层下的结构——包括尾状核、丘脑、海马体等，不仅是运动与情感调控的枢纽，更是阿尔茨海默病、精神分裂症等神经精神疾病的"风暴中心"。然而，传统手工分割依赖专家经验，耗时耗力；而全监督深度学习虽表现出色，却受困于医学影像标注的"数据荒漠"。尤其当面对MRI图像中的噪声干扰、亚结构体积微小且边界模糊等挑战时，现有算法往往力不从心。

针对这一困境，中国国内某高校的研究团队在《Journal of Neuroscience Methods》发表创新成果。他们巧妙融合卷积神经网络(CNN)与Transformer的优势，构建了名为CSCE的双模型共生系统。就像两位互相批改作业的学霸，U-Net与TransUNet通过交叉监督不断修正彼此的伪标签预测，同时引入熵值量化和辅助检测双重机制，确保每次"批改"都聚焦于高置信度区域。这种设计不仅突破了单模型容易陷入局部最优的桎梏，更在仅使用少量标注数据的情况下，使分割精度超越现有半监督方法。

关键技术方面，研究采用双教师-学生架构实现模型互促，通过指数滑动平均更新教师参数；设计基于信息熵的伪标签不确定性量化，避免传统蒙特卡洛采样的计算负担；创新性加入辅助检测任务筛选可靠伪标签；采用高斯退火函数动态调整监督权重。实验选用IBSR和MALC两个公开脑MRI数据集验证性能。

【主要研究结果】

1. 模型互促机制：U-Net与TransUNet的交叉监督使两者Dice系数协同提升，在10%标注数据下达到与全监督相当的水平。

2. 置信增强效果：熵值过滤使伪标签错误率降低37%，辅助检测任务进一步剔除15%的不可靠预测区域。

3. 跨数据集验证：在MALC数据集上，CSCE的Hausdorff距离(HMD)较次优方法缩短0.28mm，对小体积结构如苍白球的分割提升显著。

讨论指出，该方法首次实现CNN与Transformer架构在医学图像分割中的优势互补，其伪标签质量评估模块为半监督学习提供了新思路。临床意义上，仅需单模型推理的设计既保持实时性，又使医院能充分利用大量未标注影像数据。未来可扩展至多模态脑影像分析，为个体化诊疗提供更精准的量化工具。

（注：全文细节均来自原文，未添加外部信息。专业术语如TransUNet、Dice系数等均按原文格式保留，作者名采用原文拼写Yuan Sui等）