FRCM-Net: 一种傅里叶引导区域置信度混合网络，用于半监督多任务颈动脉斑块分割与易损性分类

《Biomedical Signal Processing and Control》：FRCM-Net: A Fourier-Guided Region Confidence Mixing Network for semi-supervised multi-task carotid plaque segmentation and vulnerability classification

　　

- 傅里叶引导的伪标签优化提升了半监督斑块分割效果。
- 多尺度区域置信度模块融合斑块与血管线索用于分类。
- 傅里叶稳定性图作为可靠性感知的区域分类软门控。
- FRCM-Net在与六种竞争方法对比中取得了最佳的多任务综合得分。
- 消融实验表明傅里叶稳定性模块与区域置信度模块互补。

**引言**

颈动脉动脉粥样斑块是缺血性卒中的重要风险因素。其主要致病机制包括管腔狭窄、斑块破裂后的继发性血栓形成以及栓塞事件。颈动脉超声具有实时、无创和低成本的成像特点，已成为临床斑块检测和风险评估中广泛采用的成像方式。斑块形态、回声特征以及斑块与血管壁的关系是决定卒中风险的关键因素。然而，颈动脉超声图像常受散斑噪声、低对比度和声影的影响，导致斑块边界不清、内部回声复杂多变。在临床实践中，斑块解读往往依赖医师对图像细节的主观判断，且设备设置差异和图像采集质量也会影响评估结果的一致性。自动分割斑块区域并进行分类的能力有助于减少评分者间差异，并为卒中风险分层提供更可靠的影像证据。

近年来，深度学习在颈动脉斑块超声图像分析中的应用不断发展。研究已从单任务分析（如斑块分割或分类）扩展到少标签学习和多任务协同。Ding等[1]提出了Su-Net，利用图像配准作为自监督预训练的前置任务，在预训练过程中编码斑块轮廓语义，从而在标注稀缺的情况下改善分割效果，减少对像素级标签的需求。Li等[2]提出了FeaCL用于斑块分类，结合特征级和实例级对比学习来区分不同斑块类型。然而，分类过程仍主要依赖图像级语义特征，对斑块边界和局部形态的利用不足。Gan等[3]设计了WAL-Net，在颈动脉斑块分类中引入弱监督辅助任务，证明了辅助监督可以改善斑块分类。He等[4]构建了一个多任务深度学习模型用于斑块识别和稳定性评估，基于常规颈动脉超声图像同时执行斑块检测和稳定性判断，突出了多任务学习在斑块风险评估中的应用潜力。现有研究表明，深度学习能够有效支持颈动脉斑块的分割、分类和稳定性评估；然而，分割任务中的空间结构信息与分类任务中的风险相关语义信息之间仍存在交互不足的问题。

在斑块分类领域，研究主要集中在易损性识别和风险预测上。Zhu等[5]提出了BccT，一种在标签有限条件下的高效血细胞分类Transformer。Zhu等[6]利用随机配置网络优化预训练Transformer用于COVID-19分类，缓解了在小数据集上的过拟合问题。总体而言，此类高效分类器为以易损性为导向的斑块诊断提供了有力背景。Guang等[7]基于多中心超声造影（CEUS）视频进行了颈动脉斑块易损性分类，利用CEUS灌注来表征新生血管化并判定斑块易损性。虽然该模型更加关注与类别相关的整体图像特征，但对于斑块中哪些具体区域贡献了这些风险特征的解释不足。Xia等[8]通过在泛癌生存预测中引入协同注意力机制来解决医学预测中整合异质信息的挑战，在病理特征与影像特征之间建立了映射关系。风险预测模型不仅需要学习类别区分特征，还需要在不同类型的结构和语义信息之间建立联系。在颈动脉斑块超声分析的背景下，斑块分类与斑块区域、边界形态和局部回声密切相关，这为将分割信息融入分类任务提供了依据。

在斑块分割方面，U-Net及其变体是颈动脉超声图像常用的基础框架。卷积架构在捕获局部纹理和边界方面效果良好，但其有限的感受野限制了模型对斑块整体形态以及斑块与血管壁空间关系的把握。Zhu等[9]表明，大核适配器在保持参数效率的同时可以扩大医学图像分类的感受野。Zhu等[10]进一步设计了一种双核适配器，在极端标注稀缺的情况下既能保留局部细节又能扩展空间上下文。Meshram等[11]将膨胀卷积引入U-Net以扩大感受野，但在边界模糊和低对比度条件下，轮廓稳定性仍然不足。Azzopardi等[12]在双模颈动脉超声分割中引入了几何约束，改善了结构一致性；然而，固定的形态学先验对不规则斑块的适应性有限。Jain等[13]将注意力机制引入U-Net以引导模型关注与斑块相关的区域并减少背景干扰；然而，低对比度边界和超声伪影仍可能影响真实边界的识别。Chen等[14]将自动斑块分割应用于定量斑块评估和风险分析，证明了分割结果支持面积、形态和狭窄程度等指标的计算。Huang等[15]系统回顾了基于深度学习的颈动脉超声分割方法，突出了斑块、管腔和血管壁自动分割的临床价值。Dong等[16]提出了DCSM-Unet，通过双路径异构编码器和内容感知引导与差异特征学习融合局部和全局特征，增强了复杂医学图像中的结构表征。Zhang等[17]进一步量化了融合网络CMF-SnowNet中膨胀模块、可变形模块和跨模态注意力模块的独立增益，主张每个组件应进行单独消融而非仅联合评估。现有分割方法已从局部卷积特征提取发展到结构约束、基于注意力的增强以及局部-全局融合；然而，大多数方法仍主要关注像素级分割结果，分类语义对斑块区域识别和边界学习的指导作用仍不充分。

在半监督学习领域，研究重点是如何在标签样本有限时充分利用未标记数据。Tarvainen和Valpola[18]提出的Mean Teacher方法通过教师模型为学生提供一致的监督，缓解了标注有限情况下的训练不稳定问题。Berthelot等[19]提出了MixMatch，结合标签猜测、数据增强和样本混合，实现利用未标记数据的稳定训练；Sohn等[20]进一步提出了FixMatch，通过伪标签过滤和强-弱增强一致性约束来减少低置信度干扰。这些方法为半监督分类奠定了基础；然而，考虑到医学图像中病灶尺寸小且类间差异细微，虚假标签仍然是模型学习的持续威胁。Zhu等[21]引入了一种混淆感知谱正则化器来减少长尾和不平衡分类中的类间混淆。针对医学图像分类中的这一问题，Liu等[22]引入了关系驱动的自聚合模型，通过样本间关系增强半监督分类表征；Zeng等[23]结合伪损失估计与对抗特征训练，提高了模型对伪标签噪声的鲁棒性。半监督分类方法已逐渐从一致性约束发展到误标过滤、样本关系建模和鲁棒特征学习；然而，上述研究主要关注图像级分类，难以捕获病灶边界和形态结构。

为进一步获取像素级区域信息，半监督医学图像分割开始将少标签学习应用于病灶轮廓预测。Luo等[24]提出了一种结合CNN和Transformer的交叉训练框架，利用CNN局部建模能力和Transformer全局建模能力的互补优势；然而，交叉监督仍可能放大模糊边界处的错误预测。Bai等[25]通过双向复制粘贴策略增强了标记和未标记样本间的区域级交互，提高了未标记数据的利用效率；然而，区域拼接可能破坏医学结构的连续性。Du等[26]提出了一种跨尺度一致性学习框架，强制不同输入尺度上的预测一致性，并采用双融合机制将深层语义特征与浅层空间细节整合以生成更可靠的伪标签；然而，仅尺度变换可能不足以捕获不规则而非尺度变化的解剖差异。针对伪标签噪声问题，Wang等[27]提出了一种互校正框架来修正不同模型的预测；Basak和Yin[28]将伪标签与对比学习结合以增强前景和背景特征的可分性。Wu等[29]进一步在平均教师架构中集成对比学习与一致性正则化，并设计了多路融合策略以缩小标记和未标记数据之间的分布差距。Zhu等[30]提出了一种不确定性-差异协同学习框架，利用预测差异将结构模糊性与随机噪声解耦，并采用差异引导的对比学习来解决困难区域的语义混淆。对于颈动脉斑块超声图像，Zhou等[31]通过基于图像重建的自监督学习解决了像素级标注不足的问题。Chi等[32]通过自适应双向位移建立扰动一致性约束，提高了半监督分割模型的鲁棒性。Hu等[33]提出了CCB，结合了置信度引导的CutMix扰动、类别感知动态阈值和边界聚类优化，解决了基于一致性的半监督分割中无差别强扰动、固定置信度阈值和边界细化不足的限制。Zhang等[34]在基础模型的背景下重新审视了半监督医学图像分割，为少标签场景提供了新的研究方向。半监督分割方法弥补了分类方法中区域结构表征的不足；然而，大多数研究仍聚焦于分割任务本身，分类语义在学习斑块区域和边界方面的辅助作用尚未充分发挥。

在多任务学习领域，分割和分类的联合建模为颈动脉斑块超声图像分析提供了更有效的方法。Li等[35]提出了SSM-Net用于胰腺超声内镜图像中病灶分割和分类的联合学习，证明了区域信息和语义信息通过共享特征表示可以相互增强。Du等[36]同样表明，U-Net分割的血管区域有助于非侵入性地分类具有临床意义的门静脉高压，证实了分割导出的解剖特征可以在其他医学影像领域中支持分类。对于颈动脉斑块超声图像，分割任务提供位置、边界和形态信息，而分类任务引导模型关注与稳定性相关的语义特征。尽管现有方法在分类、分割和半监督学习方面取得了进展，但在复杂超声环境下仍面临挑战，包括边界定位不准确、低回声区域识别困难以及不规则形态表征不足。本文提出了一种用于颈动脉斑块分割和分类的多任务深度学习框架，在共享特征空间中联合学习斑块定位、边界轮廓表征和类别语义区分信息，以提高复杂环境下颈动脉斑块的分割精度和分类可靠性。

本文的主要贡献总结如下：(1) 本文提出了FRCM-Net，一种用于颈动脉斑块分割和易损性分类联合学习的半监督多任务框架，实现了分割导出的区域信息与分类特征之间的密切交互。(2) 引入了一种傅里叶引导的伪标签学习和可靠性感知的区域混合策略，用于估计逐像素预测可靠性，并在半监督分割期间降低不可靠伪标签的影响。(3) 开发了一种配备傅里叶引导置信度的多尺度区域置信度模块，用于聚合全局、斑块和血管特征，同时抑制不可靠的解剖区域以改善易损性分类。(4) 实验结果表明，FRCM-Net达到了S_seg=0.6059和S_cls=0.6809，分别比最强的评估半监督基线提高了0.0160和0.0647。其综合多任务得分0.5147位居对比方法之首，超越最佳竞争方法0.0499。

**章节摘要**

**概述**

在本工作中，所提出的方法基于官方CSV-2026基线框架，该框架将颈动脉超声分析表述为斑块/血管分割和图像级易损性分类的联合任务。给定一个配对的超声样本 X=(x_L, x_T)，其中x_L和x_T分别表示纵切面和横切面视图，网络预测两个分割图和一个图像级分类logit：(s_L, s_T, z)=f_θ(x_L, x_T)，其中s_L, s_T∈?^{C×H×W}是C个类别的分割logits。

**数值示例**

开展了一系列实验以评估所提出的用于颈动脉斑块分割和分类的半监督多任务框架的有效性。

**结论**

在本工作中，我们提出了FRCM-Net，用于超声图像中颈动脉斑块的半监督分割和易损性分类。

本文提出的方法利用傅里叶稳定性估计来选择可靠的伪标签，并结合一种可靠性感知的区域混合策略来改进半监督分割。同时，设计了一种多尺度区域置信度模块，从分割分支中提取斑块感知和血管感知特征，从而增强了

CRediT作者贡献声明
Zhihong Che：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件，项目管理，方法论，调查研究，形式化分析，数据整理，概念化。Huiming Chen：写作——审阅与编辑，写作——初稿撰写，可视化，验证，调查研究，形式化分析，数据整理。Lin Wan：写作——审阅与编辑，写作——初稿撰写，调查研究。Zitong Cai：调查研究。Haoran He：调查研究。Zhenghong Bi：

利益冲突声明
作者声明，他们不存在任何已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢
作者感谢审稿人提出的宝贵意见。这些意见提高了论文表述的清晰度和质量。本研究得到了两项科研项目（2023KTSCX183，202613675002）和广东省重点领域研发计划专项项目（2024ZDZX2096，2024KCXTD054）的支持。

Zhihong Che | Huiming Chen | Lin Wan | Zitong Cai | Haoran He | Zhenghong Bi | Liangcai Mei