《Frontiers in Neurology》：Parameter-free dual-student ensemble for semi-supervised ischemic stroke segmentation on follow-up NCCT
编辑推荐：
摘要
引言： 非增强计算机断层扫描（Non-contrast computed tomography，NCCT）因其采集快速、成本低廉且无创，被广泛用于缺血性卒中患者治疗后监测。在NCCT图像上分割缺血性病灶对于评估疾病严重程度和指导临床决策至关重要。
方法：
摘要
引言： 非增强计算机断层扫描（Non-contrast computed tomography，NCCT）因其采集快速、成本低廉且无创，被广泛用于缺血性卒中患者治疗后监测。在NCCT图像上分割缺血性病灶对于评估疾病严重程度和指导临床决策至关重要。
方法： 研究人员提出一种基于集成的半监督分割（Ensemble-based Semi-supervised Segmentation，ESS）框架，以降低卷积神经网络（Convolutional Neural Network，CNN）对大量人工标注的依赖。该方法主要由两部分组成：首先，引入强数据增强以增加样本多样性并缓解有限标注数据下的过拟合；其次，采用参数无关的集成模块，通过融合两个学生模型的预测结果，为未标注样本生成更稳定的监督信号，提高伪标签的可靠性。所提出的ESS在一个包含9，020个图像切片的、经人工标注的随访NCCT数据集上进行了评估。
结果： 在四种标注数据比例下，ESS在所有对比方法中均持续取得最高的Dice系数，且在标注数据稀缺时性能优势更为显著。
讨论： 上述结果表明，ESS在有限标注条件下对随访NCCT进行半监督分割是有效的。
论文解读：基于参数无关双学生集成的半监督随访NCCT缺血性卒中病灶分割
一、研究背景与问题
卒中是全球范围内导致死亡和长期残疾的主要原因之一，给公共卫生系统带来沉重负担。其中，缺血性卒中约占所有卒中病例的80%–90%，准确识别缺血性病灶的位置和体积对于临床决策和预后判断至关重要。非增强计算机断层扫描（Non-contrast computed tomography，NCCT）凭借其成本低、效率高、普及性强和无创性等优势，成为卒中中心广泛应用的影像评估手段。然而，NCCT图像分辨率有限，早期缺血性改变往往细微且难以察觉，如灰白质分界消失和岛带征消失等，其可靠判读高度依赖经验丰富的神经放射科医生。在发展中国家和资源有限地区，专业神经放射学人员短缺问题尤为突出。因此，开发一种准确、稳健且全自动的基于NCCT的缺血性病灶分割方法具有重要的临床意义。
近年来，基于卷积神经网络（Convolutional Neural Network，CNN）的医学图像分割方法取得了显著进展。已有研究提出了多种用于CT灌注（CT perfusion，CTP）、磁共振成像（Magnetic Resonance Imaging，MRI）和NCCT的CNN模型，并进一步探索了针对缺血性卒中病灶分割的专用网络架构。然而，现有研究主要聚焦于急性期或亚急性期卒中影像，针对随访NCCT上缺血性病灶分割的研究相对较少。与急性期相比，随访NCCT上的病灶可能出现水肿消退和脑软化灶形成等变化，且形态边界更不规则，增加了分割难度。此外，获取大规模、高质量的随访NCCT像素级标注通常需要大量专家标注工作，导致可用于模型训练的标注数据十分有限。
半监督学习通过在少量标注样本和大量未标注样本上联合训练，为上述挑战提供了可行方案。然而，在随访NCCT缺血性卒中分割任务中，特别是在人工标注数据极度有限的情况下，可靠利用未标注数据仍面临挑战。初步实验揭示了两个主要问题：其一，在标注极度有限时，模型反复利用有限的标注样本极易过拟合，传统的仿射变换增强可能无法提供足够的样本多样性；其二，基于指数移动平均（Exponential Moving Average，EMA）教师模型或双模型互监督的伪标签方法，在训练早期或处理困难的低对比度样本时，可能产生低置信度和含噪声的伪标签，不可靠的监督信号导致两个模型在互学习过程中相互误导，引发性能快速退化。
二、研究内容与结论
针对上述问题，研究人员提出了基于集成的半监督分割（Ensemble-based Semi-supervised Segmentation，ESS）框架。该框架基于并行双学生模型架构，引入强数据增强策略以扩展标注样本多样性，并设计参数无关的集成模块，通过融合两个模型的预测生成更稳定可靠的伪标签，有效抑制噪声传播。与直接在两个学生模型间进行交叉伪监督的方法不同，ESS在伪标签生成前融合两个模型的预测，并使用统一的集成伪标签对两个学生模型进行监督。
实验基于来自全国18个卒中中心的721例缺血性卒中患者的1，004例随访NCCT病例构建的数据集，经数据预处理和质量控制后保留9，020个图像切片。训练/测试集按病例级别以约4：1比例划分，严格保证患者级独立性，训练集和测试集分别包含7，216和1，804个图像切片。训练集在四种实验配置下划分为标注和未标注子集，标注样本比例分别设为1/2、1/4、1/8和1/16。研究结果表明，ESS在四种标注数据比例下均取得最高的Dice系数，与基线模型相比分别提升2.37、1.82、2.75和2.18个百分点；与CPS with CutMix相比分别提升6.09、1.88、1.55和0.51个百分点。ESS的性能优势在1/16标注比例下最为显著，随着标注数据比例增加而趋于平缓。该研究构建了大规模随访NCCT缺血性卒中数据集，系统比较了多种半监督分割方法，证明了ESS在极有限标注条件下的显著性能优势，对临床实践具有重要意义。
三、关键技术方法
研究人员提出的ESS框架主要包含以下关键技术方法：第一，采用双学生并行架构，两个结构相同但初始化参数不同的DeepLabv3+网络（基于ImageNet预训练的ResNet-50骨干，输出步长为16）独立优化，不使用指数移动平均，避免教师与学生模型的过度耦合。第二，引入基于CutMix的强数据增强策略，对同类型样本进行区域级混合，生成K=3个随机矩形区域，尺度参数从[0.25，0.5]均匀采样，宽高比固定为1：1，以增加样本多样性并缓解过拟合。第三，设计参数无关的集成伪标签生成模块，在伪标签生成前融合两个学生模型的预测，采用最大置信度策略和投票策略两种集成方式，生成统一伪标签同时监督两个学生模型。第四，总损失函数由监督损失和加权伪标签损失组成，监督损失采用Dice损失和加权交叉熵损失之和，伪标签损失采用标准交叉熵损失，权重系数λ设为2。训练采用Adam优化器，初始学习率1×10?4，权重衰减1×10?4，标注和未标注数据批量大小均为4，共训练20个epoch。样本队列来源于全国18个卒中中心收集的721例缺血性卒中患者的随访NCCT数据。
四、研究结果
4.1 与现有方法的对比结果
在四种标注比例下，ESS均取得最高的Dice系数。当标注比例为1/16时，Mean Teacher和GCT的分割性能甚至低于仅用标注数据训练的基线模型。CPS通过交叉伪监督实现性能提升，引入CutMix后，CPS的Dice系数在四种实验设置下分别提升1.90、1.53、0.05和0.17个百分点，表明CutMix在低标注比例下提供更大增益。ESS在所有标注比例下均优于基线模型、CPS with CutMix以及近期方法BCP和PICK。
4.2 CPS训练不稳定性分析
在1/8标注设置下，CPS训练过程中标注样本IoU持续上升，而未标注样本Dice在前两个epoch上升后逐渐下降，未标注样本IoU整体呈下降趋势。这表明直接使用一个模型的输出作为另一模型的伪标签会引入噪声监督，导致信息交换不稳定，伪标签质量随训练推进持续恶化，模型难以从未标注数据中学习有效特征。
4.3 集成策略对比结果
在不使用CutMix的条件下，比较最大置信度集成策略和投票集成策略。实验结果显示，最大置信度策略在四种标注比例下均取得比投票策略更高的Dice系数。因此，最大置信度被采用为ESS的默认策略。
五、讨论与结论
研究结果表明，ESS框架通过参数无关的集成伪标签监督机制重构了双学生框架内的伪标签监督路径，减少了单个学生错误预测的直接传播。结合CutMix强数据增强，ESS有效解决了随访NCCT分割中伪标签监督不稳定和标注数据多样性不足的问题。在极有限标注条件下，ESS展现出显著性能优势，验证了该方法在半监督医学图像分割领域的有效性。该研究为随访NCCT缺血性卒中病灶分割提供了一种可靠的解决方案，在标注资源有限的临床场景中具有重要应用价值。
