基于内外双重校正机制(IEDC-Net)的半监督医学图像分割方法研究

【编辑推荐】针对医学图像分割中标注数据稀缺导致的复杂区域(如粘连组织/细小分支)预测不确定性问题，研究人员创新性提出内外双重校正网络(IEDC-Net)。通过双解码器架构内部分布一致性约束与外部差异区域互校正机制，在仅使用20%标注数据时，左心房(LA)分割达Dice 90.32%(Jaccard 82.50%)，胰腺CT分割达Dice 80.40%(Jaccard 67.69%)，为少标注医学图像分析提供新范式。

　　

在推动深度学习应用于医学图像分割的过程中，半监督学习(Semi-supervised learning)技术正成为破解像素级标注难题的关键。面对标注数据匮乏导致的预测不确定性问题——特别是在组织结构粘连、细微分支等复杂区域，传统单模型往往因视角局限而难以精准识别和修正错误。

为此，研究者开发了内外双重校正学习网络(Internal–External Dual Correction Network, IEDC-Net)。该架构创新性地采用双分支设计：每个子网络共享编码器但配备差异化解码器。在内部校正层面，通过概率输出与软伪标签(soft pseudo-labels)的一致性约束，迫使模型在复杂区域产生稳定、低熵(low-entropy)的预测结果；在外部协同层面，差异区域检测模块(difference region inspection module)能敏锐捕捉预测不一致区域，实现子网络间的交叉监督与错误校正。

这种双重机制使模型能聚焦最具挑战性的解剖结构。实验验证显示，在左心房(Left Atrium, LA)数据集上仅用20%标注数据即获得90.32%的Dice系数(Dice score)和82.50%的Jaccard指数(Jaccard index)；对于更具挑战性的胰腺CT(Pancreas-CT)分割任务，同样达到80.40% Dice和67.69% Jaccard的优异表现。该成果为突破医学图像标注瓶颈提供了可解释性强、鲁棒性好的技术路径。