DPMB-Net：基于双级扰动和多尺度边界注意力的半监督颞下颌关节分割算法

《IEEE Access》：DPMB-Net: Dual-level Perturbation and Multi-scale Boundary Attention for Semi-supervised Temporomandibular Joint Segmentation

　　

摘要：

从磁共振成像（MRI）中准确分割颞下颌关节（TMJ）的盘和髁对于口腔面部疾病的临床诊断和治疗计划至关重要。然而，由于高质量像素级注释的稀缺，以及关节盘和髁的解剖结构复杂性和低对比度边界，自动化分割仍然是一个巨大的挑战。尽管半监督学习（SSL）通过利用未标记数据提供了一个有前景的解决方案，但现有方法往往难以捕捉到细粒度的形态细节，并且在应用于小规模医学数据集时容易过拟合。为了解决这些限制，我们提出了一种名为“双级扰动和多尺度边界注意力网络”（DPMB-Net）的新型半监督分割框架，专门用于高精度的TMJ分割。具体来说，我们在编码器中引入了基于通道的dropout机制，强制模型在图像级和特征级扰动之间保持一致性。这种方法显著扩展了扰动空间，从而增强了语义表示的鲁棒性。此外，为了解决TMJ结构中固有的显著尺度差异和边界模糊问题，我们设计了一个多尺度边界注意力头（MBAH）。通过将轻量级的多尺度膨胀卷积与通道注意力机制相结合，MBAH能够自适应地聚合边界上下文，以细化结构轮廓。在私有TMJ数据集和公共基准测试上的广泛实验表明，我们提出的方法优于现有的半监督方法，在注释有限的场景下具有更高的分割准确性和泛化能力。