基于多维度一致性学习和主动交叉标注的极弱监督3D医学图像分割方法研究

针对3D医学图像分割中密集体素标注成本高的问题，香港中文大学生物医学工程系团队提出了一种创新的极弱监督学习框架MF-ConS。该研究通过结合正交切片交叉标注策略和多样性-不确定性主动学习算法，仅需标注每个扫描的三个正交切片，即可实现高性能分割。实验证明该方法在脑肿瘤、左心房和胰腺分割任务中均优于现有技术，为医学图像分析提供了高效的标注解决方案。

　　

在医学影像分析领域，3D图像分割是疾病诊断和治疗规划的重要基础。然而，现有深度学习方法严重依赖大量精细标注的体素级数据，而获取这些标注既耗时又需要专业医生的参与。传统半监督学习虽然能减少标注需求，但仍需对部分样本进行完整标注，且存在标注冗余问题。更经济的弱监督方法如边界框或涂鸦标注，又难以捕捉精细的解剖结构。这种矛盾催生了对"极弱监督学习"(Barely-Supervised Learning, BSL)的探索——如何在仅标注极少量切片的情况下实现准确的3D分割。

香港中文大学生物医学工程系的吴新尧、徐哲和Tong Kai-yu Raymond团队在《Medical Image Analysis》发表的研究，提出了一种创新的解决方案。他们开发的"多维度一致性学习"(MF-ConS)框架，结合主动学习策略，仅需标注每个3D扫描的三个正交切片(轴向、矢状和冠状面)，就能实现与全监督方法相媲美的分割性能。该方法在脑肿瘤(T2-FLAIR MRI)、左心房(GE-MRI)和胰腺(CT)三个典型分割任务上的实验表明，其性能显著优于现有技术，为解决医学图像分析中的标注瓶颈提供了新思路。

研究团队采用了几个关键技术：首先设计多样性-不确定性采样(DUS-AL)的主动学习策略，选择最具信息量的样本进行标注；其次构建教师-学生框架，整合三种互补的一致性约束——基于掩码的邻域感知预测一致性(NIOP)增强结构感知能力，原型驱动一致性(fpm)提升特征判别性，以及扰动稳定性约束(sta)增强模型鲁棒性；最后采用指数移动平均(EMA)更新教师模型参数。实验使用了BraTS19脑肿瘤、LA左心房和胰腺CT三个公开数据集进行评估。

研究结果显示，在脑肿瘤分割任务中，仅使用10%样本的3个正交切片(共75个切片，仅占全标注工作量的0.22%)，MF-ConS(DUS-AL)就达到82.05%的Dice分数，显著优于对比方法。在左心房分割中，使用30%样本的72个切片(1.02%全标注量)获得84.29%的Dice分数。最具挑战性的胰腺分割任务中，使用50%样本的90个切片(0.5%全标注量)达到72.48%的Dice分数。消融实验证实，三种一致性约束和主动学习策略都对性能提升有显著贡献。

这项研究的创新之处在于，它首次系统性地解决了极弱监督医学图像分割中的三个关键挑战：有限监督下的细粒度结构感知、类别特征紧凑性不足和泛化能力弱。通过正交切片标注捕获三维空间信息，结合主动学习优化标注资源分配，MF-ConS在保持低标注成本的同时，实现了接近全监督方法的性能。该框架的灵活性使其能够适应不同解剖结构和成像模态的分割需求，为临床实际应用提供了可行方案。未来，该方法可与新兴的基础模型结合，进一步推动医学图像分析的标注效率突破。