基于双学生网络与像素级伪标签优化的半监督医学图像分割新方法DSMT-Net

针对医学图像分割中标注数据稀缺和伪标签质量低的问题，研究人员提出双学生平均教师网络DSMT-Net，融合U-Net局部特征与Mamba-UNet全局建模优势，创新性引入像素级相似性分析和动态阈值优化策略，在ACDC和LA数据集上Dice系数提升至90.30%和91.03%，为临床诊断提供了高效可靠的半监督学习框架。

医学图像分割是辅助临床诊断的关键技术，但高质量标注数据的获取成本高昂且耗时。当前主流的Mean Teacher（MT）框架存在伪标签边界模糊、单网络结构局限性等问题，严重制约了半监督学习在复杂医学影像中的应用效果。

针对这一挑战，国内某研究机构的研究团队在《Computational Biology and Chemistry》发表创新性研究，提出双学生平均教师网络DSMT-Net。该工作通过协同U-Net的局部边界检测能力与Mamba-UNet的全局状态空间建模(SSM)优势，结合像素级伪标签增强机制，显著提升了半监督医学分割的精度和鲁棒性。

研究采用三项核心技术：1）基于双向复制粘贴(BCP)的数据增强策略，混合标注数据与伪标签区域；2）动态窗口像素相似性计算与迭代传播算法，通过公式S_i,j=?1/P²∑(P_i,j,k?I_i,j)²实现局部特征优化；3）双学生网络对比损失设计，约束特征空间一致性。实验使用ACDC心脏MRI（70例训练）和LA左心房数据集（80例训练），评估指标包含Dice、95HD等。

主要研究结果包括：

1. 模型架构比较：U-Net作教师网络、U-Net+Mamba-UNet作学生网络时性能最优，在10%标注数据下Dice达90.30%，较基线MT提升9.46%。
2. 伪标签优化：3次迭代传播效果最佳，使ACDC数据集95HD从3.15降至1.82体素，证明动态阈值T=μ?C+γ?σ_c的有效性。
3. 抗噪测试：添加σ=0.1高斯噪声时，DSMT-Net仅降低1.55%精度，显著优于MT的4.26%降幅。
4. 多中心验证：在LA数据集20%标注下达到92.12%Dice，超越全监督V-Net的91.71%。

该研究的突破性在于：首次将Mamba模块的线性复杂度长程建模引入半监督医学分割，通过双学生架构的互补特性解决了单网络偏差问题。像素级优化机制创新性地融合了空间相似性与置信度传播，在保持1.82ms/切片实时性的同时，将标注需求降低80%。这项工作为医学影像分析提供了可扩展的框架，其开源代码已发布在GitHub（https://github.com/sunwenlong1/DSMT.git），对推动智慧医疗发展具有重要临床价值。