DSMT-Net：基于像素级伪标签优化的双学生均值教师网络在医学图像半监督分割中的应用

为解决医学图像标注成本高、伪标签质量低的问题，研究人员提出DSMT-Net（Dual-student Mean Teacher Network），通过结合U-Net和Mamba-UNet的双学生架构，创新性地引入像素级相似性分析和动态阈值优化机制，显著提升了半监督医学图像分割性能。在ACDC和LA数据集上的实验表明，该方法仅需20%标注数据即可达到接近全监督模型的精度（Dice 90.79%），为临床诊断提供了高效可靠的解决方案。

　　

医学影像技术作为疾病诊断的重要工具，其精准分割对临床决策至关重要。然而，获取像素级标注数据需要专家投入大量时间，成本高昂。现有半监督方法如均值教师（Mean Teacher, MT）框架存在伪标签边界模糊、噪声放大等问题，尤其在处理心脏MRI（如ACDC数据集）和左心房（LA）等复杂解剖结构时表现受限。

针对这些挑战，国内某研究机构的研究人员开发了DSMT-Net双学生均值教师网络，通过架构创新和算法优化显著提升了半监督分割性能。相关成果发表在《Computational Biology and Chemistry》上。该研究首次将U-Net的局部特征提取优势与Mamba-UNet的全局依赖建模能力（基于状态空间模型SSM）相结合，并设计了像素级伪标签增强机制，包括动态阈值筛选和相似性传播算法。

关键技术包括：1）采用双向复制粘贴（BCP）数据增强平衡标注/未标注数据分布；2）构建U-Net与Mamba-UNet的双学生架构实现特征互补；3）基于Sobel梯度动态调整滑动窗口计算像素相似性；4）通过对比损失约束双学生网络特征一致性。实验使用ACDC（70例心脏MRI）和LA（80例3D MRI）数据集，评估指标包含Dice、Jaccard、95HD和ASD。

模型架构
通过教师网络生成伪标签，双学生网络分别采用U-Net（捕捉局部边界）和Mamba-UNet（建模长程依赖）。其中Mamba模块通过ht=A·h_t-1+B·x_t的线性复杂度实现高效特征建模。

伪标签优化
创新性地提出三阶段优化：1）基于梯度幅值动态调整相似性计算窗口大小（公式5）；2）利用μ·C+γ·σ_c计算动态阈值（公式8）；3）通过迭代传播增强伪标签（公式12），最终使10%标注数据下Dice提升12.96%。

实验结果
在ACDC数据集上，仅用10%标注数据即达到90.30% Dice，超越DSST等现有方法1.51%。LA数据集中更以91.03% Dice刷新记录，其95HD（6.13 voxel）显示优异边界分割能力。消融实验证实，U-Net+Mamba-UNet组合效果最优（对比Swin-UNet提升3.42%），且3次迭代为最佳平衡点。

该研究通过多模态网络协同和精细化伪标签管理，显著降低了医学图像分割对标注数据的依赖。特别是Mamba模块的引入，为处理长序列医学影像提供了新思路。未来可进一步探索三维扩展及多器官联合分割应用，推动智能辅助诊断系统的发展。