基于形态-结构-关系引导的少标签半监督乳腺超声分类

《Pattern Recognition Letters》：Morphology-Structure-Relation Guided Low-Label Semi-Supervised Learning for Breast Ultrasound Classification

　　

• •
  提出了MSR-Net用于低标签乳腺超声分类。
• •
  MSPL利用置信度和表示稳定性对未标记样本进行重新加权。
• •
  CSSC在保留阶段特定语义的同时对齐跨尺度空间响应。
• •
  PTRP对类间原型关系的时序变化进行正则化。
• •
  在两个BUS数据集上，MSR-Net相对于低标签基线提高了OA和Kappa指标。

引言

乳腺超声（BUS）因其安全性高且易于获取，被广泛应用于临床筛查和诊断，尤其适用于致密型乳腺组织的患者 [1], [2]。近年来，深度学习的进展显著提升了全监督条件下BUS图像的分类性能 [3], [4], [5]。然而，与拥有大量标注的自然图像数据集不同，BUS标注需要专门的放射学专业知识，使得高质量标注既昂贵又耗时。因此，低标签学习——即仅标注一小部分BUS图像——已成为临床工作流中常见且不可避免的场景 [6], [7]。更广泛地说，最近的机器学习研究表明，高斯过程回归、神经网络建模和复合学习策略在跨多种应用领域捕捉复杂和非线性模式方面具有潜力 [8], [9], [10], [11]。

为利用丰富的未标记图像，半监督学习（SSL）已被广泛研究 [12]。现有的SSL方法采用了多种互补策略，包括预测一致性、伪标签、分布对齐和基于原型的表示学习，许多近期方法在统一框架中结合了多种机制。从本工作所考虑的稳定性问题角度出发，三种代表性机制尤为相关。(1) 基于一致性的目标函数 [13], [14], [15] 鼓励弱增强视图和强增强视图之间预测不变性。这促进了增强条件下的预测稳定性；然而，在BUS监督稀缺的情况下，对斑点模式、低对比度区域和模糊边界的强扰动会增加弱-强预测不一致性，使得伪标签监督在标签稀缺时不够稳定。这种敏感性对超声成像尤为相关，因为斑点外观和病灶描绘可因采集条件和操作员依赖的探头定位而发生变化，使得表示稳定性比传统自然图像设置下更难维持。(2) 伪标签方法 [16], [17], [18], [19], [20] 利用高置信度预测对未标记样本进行监督，但BUS病灶显著的形态学变异性经常产生不可靠的伪标签，导致误差累积并扭曲决策边界。(3) 基于原型的方法 [21], [22] 通过稳定类中心来提高特征可分性，但在标签较少时原型估计不准确，且保持一致决策边界所需的类间拓扑结构在很大程度上被忽视。

这些观察促使我们考虑低标签BUS分类中三种相互作用的非稳定性形式：不可靠的伪标签监督、跨尺度表示漂移和不稳定的类间关系几何。尽管现有的SSL方法可能结合了多种学习机制，但在低标签BUS分类中，这些因素很少从样本、表示和类关系角度一起进行显式建模。此外，它们并非独立：不可靠的监督可能干扰学习到的表示，进而影响类原型估计和决策边界。

为应对这些挑战，我们提出了形态学–结构–关系网络（MSR-Net），从层次化角度稳定学习过程：形态学稳定伪标签（MSPL）减轻样本级伪标签噪声，跨尺度结构一致性（CSSC）抑制由斑点噪声引起的特征级结构漂移，原型拓扑关系保持（PTRP）保持类级关系几何以维持一致的嵌入空间。贡献总结如下：

• •
  将形态学感知的表示稳定性估计器引入伪标签学习，允许根据弱-强中级特征一致性对未标记样本重新加权，从而提高伪标签的可靠性。
• •
  我们设计了一种跨尺度结构一致性约束，在保留阶段特定通道语义的同时对齐中间阶段的通道聚合空间响应。
• •
  对类原型的约束关系稳定了类间几何结构，减少了标签稀缺下的决策边界波动。
• •
  在两个BUS数据集上的实验表明，MSR-Net在SSL基线中取得了最佳的全局指标（OA、Kappa）和具有竞争力的F1/灵敏度，展示了其在低标签BUS分析中的实际潜力。

各节摘要

问题定义

BUS成像的特点是强斑点噪声、弱纹理和高度可变的病灶形态。在低标签条件下，学习稳定的结构和上下文表示变得具有挑战性 [23]。

设 ${\mathcal{D}}_l$ 表示小规模标注数据集：$${\mathcal{D}}_l={\left\{({\mathbf{x}}_i,y_i)\right\}}_{i=1}^{N_l},N_l?N,\text{其中}N=N_l+N_u,$$其中 x_i 是输入的BUS图像，$y_i\in \{1,?,C\}$ 是其类别标签。大多数样本保持未标记状态，形成一个更大的未标记数据集：$${\mathcal{D}}_u={\left\{{\mathbf{u}}_j\right\}}_{j=1}^{N_u},N_u?N_l.$$

在这种低标签半监督学习中

方法

我们提出了MSR-Net，一种在三个相互作用的层次上联合正则化学习的半监督框架：样本级监督可靠性、跨尺度表示稳定性和类级关系几何。MSPL、CSSC和PTRP被联合优化而非形成顺序流水线；它们作用于同一表示学习过程中不同但相互关联的方面。与仅依赖预测一致性的传统SSL方法不同，MSR-Net引入了

数据集

我们在BreastMNIST [31] 和BrEaST [32] 上评估MSR-Net。BreastMNIST是一个二分类数据集，包含780张图像（恶性/非恶性：210/570），其中非恶性类合并了正常和良性病例，采用官方的546/78/156训练/验证/测试划分；在20%设置下，有109个训练样本被标注。BrEaST包含256张图像，来自三个类别（良性/恶性/正常：154/98/4），划分为153/51/52张训练/验证/测试图像。BrEaST的划分

结论

本文提出了MSR-Net，一种形态学–结构–关系引导的用于低标签BUS分类的半监督框架。MSPL提高了伪标签的可靠性，CSSC稳定了跨尺度表示，PTRP保留了类间关系。这些约束共同改善了稀缺标注下的监督可靠性和表示一致性。在BreastMNIST和BrEaST上的实验表明，MSR-Net相对于相应的低标签

CRediT作者贡献声明

潘维超： 撰写 – 审阅与编辑，撰写 – 初稿，可视化，验证，监督，项目管理，方法论，调查研究，形式化分析，数据整理，概念化。王旭： 撰写 – 初稿，验证，软件，资源，调查研究。吕成泽： 撰写 – 审阅与编辑，调查研究。刘瑞达： 可视化，资源，调查研究。马正祥： 撰写 – 审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本论文所报告的工作。

潘维超|王旭|吕成泽|刘瑞达|马正祥