基于伪标签增强与课程学习的医学图像分割框架PESF：提升小器官分割性能的创新方法

本文提出伪标签增强分割框架(PESF)，通过置信度过滤(CBF)和基于高斯扰动的渐进式课程学习(PSCL)，有效解决3D医学图像标注稀缺难题。该框架利用预训练基础模型生成新器官类别伪标签，理论证明可增大特征空间类间角间隔，在AMOS/FLARE22等数据集上实现6.8%的DSC提升，尤其显著改善胰腺等小器官分割效果。

　　

Highlight

在医学图像分割领域，获取强判别性特征面临三大挑战：器官形态差异大、图像对比度低、高质量3D标注获取困难。传统解决方案或依赖大量人工标注，或需设计复杂网络结构。本研究突破性提出三阶段框架：1）通过TotalSegmentator生成新器官类别伪标签；2）创新置信度过滤机制(CBF)量化标签质量；3）结合高斯扰动的渐进式课程学习(PSCL)模拟人类学习过程。理论分析揭示，新增伪标签类别能显著增强特征空间类间分离度。

Foundation model in medical image segmentation

基础模型在医学图像分割中展现强大潜力，但直接应用SAM模型存在域适应问题。近期Med-SAM通过医学专用数据微调，SAM-Med3D则将其扩展为全3D架构。这些改进版虽提升性能，仍受限于标注数据稀缺——这正是PESF框架要解决的核心问题。

Motivation

受虚拟Softmax方法启发，我们发现增加类别数量能有效扩大特征空间决策边界夹角。这一理论成为伪标签增强策略的数学基础：通过引入新器官伪标签，即使带噪声的标注也能强化模型对解剖结构的判别能力。

Framework overview

PESF框架以SAM-Med3D为骨干网络，包含三大创新模块：1）伪标签扩展模块自动标注未标记器官；2）CBF模块通过特征提取器+置信度预测器的双分支结构评估标签质量；3）PSCL模块采用高斯扰动σ～N(0,1)渐进增加数据复杂度，使模型从简单样本逐步过渡到复杂案例。

Datasets

实验整合四大权威数据集：包含23类器官的AMOS、15类腹部器官的FLARE22、16类腹部CT的WORD以及13类器官的BTCV。这种多中心、多病种的组合充分验证框架的泛化能力，特别关注胰腺等难分割小器官的性能表现。

Discussion

与传统数据扩增方法相比，PESF的创新性体现在：1）通过器官类别扩展而非单纯数量增加来提升模型性能；2）理论证明伪标签能改善特征空间几何特性；3）课程学习策略使模型对器官尺寸变化具有更强鲁棒性。消融实验显示，单独使用CBF可使DSC提升3.2%，结合PSCL后达到6.8%的综合提升。

Conclusion

本研究开创性地将伪标签扩展与自适应课程学习相结合，为医学图像标注稀缺问题提供新思路。特别值得注意的是，框架对胰腺等难分割器官的DSC提升达9.3%，证实其在小结构分割中的独特优势。未来可探索该框架在超声等模态的迁移应用。