基于符号距离图引导自训练的半监督组织病理学分割框架

《BMC Medical Imaging》：S3DM: semi-supervised signed distance maps for boundary-aware tissue Segmentation

　　

摘要

目的

组织病理学图像中的精确组织分割对于可靠的癌症诊断至关重要；然而，现有方法面临两大主要挑战。首先，获取像素级标注成本高且劳动密集，限制了标注训练数据的可用性。其次，传统基于卷积的分割网络往往难以准确描绘复杂的组织边界，因为它们主要关注对象内部而非边界结构。

方法

我们提出了一种半监督组织病理学分割框架，该框架将基于伪标签的自训练与符号距离图（SDM）引导的边界监督相结合。所提出的架构采用双头设计，同时预测分割掩膜和SDM，使网络能够学习语义和几何表示。通过将SDM预测作为辅助目标，该框架在标注有限的环境下提供了互补的结构监督，从而增强了边界感知特征学习。

结果

在公开的乳腺癌语义分割（BCSS）数据集和私有的浸润性乳腺癌数据集上的实验均证明了所提框架的有效性。在私有数据集上，所提方法取得了最佳性能，DSC为0.922，mIoU为0.855。在BCSS数据集和私有数据集上，所提方法还改善了边界敏感指标，包括HD95和ASSD，表明SDM引导的自训练框架能够实现对组织病理学图像分割的精确边界描绘。定性结果进一步表明，与现有分割架构相比，所提方法具有更准确和一致的边界描绘能力。

结论

所提出的SDM引导的自训练框架有效解决了组织病理学图像分割中标注稀缺和边界描绘两大挑战。通过显式纳入基于距离的结构信息，该框架改进了边界感知表示学习，并在多种乳腺癌数据集上取得了稳健的分割性能。