科研前沿 | 柏视医疗与中南大学湘雅医院联合开展科研项目，助力医学图像事业发展

日前，《Neurocomputing》期刊刊载了柏视医疗与中南大学湘雅医院联合开展的“关于半监督医学图像分割”研究项目的相关论文，该研究提出了一种基于一致性正则化和伪标记的医学图像分割半监督学习框架，并在实验中展示了其减少医学图像标注成本的潜在价值。

项目背景：

医学图像分割是许多图像引导临床方法的基础和关键。近年来，基于深度学习分割方法的成功通常依赖于大量有标注数据，这些数据通常只有专家才能提供准确可靠的标注，但其获取尤为困难且昂贵。

半监督学习作为一种前沿技术，对减少标注成本有着巨大作用，但也存在性能较差等问题。因此，如何设计有效的半监督学习方法并服务实际临床是当前亟待解决的问题。

论文题目 

“Mutually aided uncertainty incorporated Dual Consistency Regularization with Pseudo Label for Semi-Supervised Medical Image Segmentation”

研究目的

目前的半监督学习方法主要采用伪标记和一致性正则化，但由于伪标记质量较差且需要更多的确定性感知，现有方法的结果仍不尽人意。该研究旨在探索半监督学习在医学图像分割中的应用，以减少标记图像的人工和时间成本。

研究方法

研究团队提出了一种新的方法，结合了高不确定性感知的伪标记和双一致性正则化。该方法利用周期损失正则化来提高不确定性估计的准确性。在进行不确定性估计后，利用带有伪标记的特定区域进行监督训练，而不确定区域则用于促进师生网络的双重一致性。

如图一所示，研究团队提出的模型架构遵循Mean-Teacher结构，包括一个教师网络和一个学生网络，学生网络还包括两个辅助解码器模块（Aux-decoder1和Aux-decoder2）。通过调整辅助解码器的学习策略，计算不确定性并生成伪标记。为了提高伪标记的不确定度感知能力和质量，引入了周期损失机制。

通过不确定区域预测和伪标签生成对模型进行联合优化，使模型从未标注图像中学习更多的信息。教师网络和学生网络采用相同的编码器-解码器结构，并使用滑动平均更新教师网络参数。

（Fig 1. 研究团队提出的模型架构）

研究结果 

如图二所示，结果表明，该方法在三个公共数据集上的评估中取得了比其他半监督学习方法更好的性能。

（Fig 2. 研究团队提出模型的性能表现）

研究结论  

本实验提出了一种基于一致性正则化和伪标记的医学图像分割半监督学习框架。实验结果表明该方法对于减少医学图像标注成本具有潜在的价值。

随着人工智能在医疗领域的广泛应用，半监督学习在医学图像分割中的研究和应用将持续受到关注。未来的研究可以进一步改进该方法，提高伪标记的质量和准确性，并扩展到其他医学图像分析任务中。此外，结合更多的领域专家和医学实践经验，将有助于进一步改进半监督学习方法，使其在临床实践中更具可行性和可靠性，并有望推动医学图像分析和医疗诊断的进一步发展。

柏视医疗凭借先进的自主研发技术，已与多家国内外顶级医疗机构建立了从临床应用、技术创新到学术前沿等多维度的深入合作，这种跨界合作的模式使得柏视医疗能够更为深入地理解医学临床需求，并将其转化为切实可行的解决方案。随着技术的不断进步和医疗数据的积累，柏视医疗亦将加速技术的创新和应用，促进产品的推广落地，为医学科学发展做出更大贡献。

 期刊介绍：

 《Neurocomputing》期刊是全球计算机科学和人工智能领域的权威期刊，主要报道神经计算领域的最新研究和进展，其影响因子为5.779，属于中科院分区中的Q2类Top期刊。

引用参考：

Lu S, Zhang Z, Yan Z, et al. Mutually aided uncertainty incorporated Dual Consistency Regularization with Pseudo Label for Semi-Supervised Medical Image Segmentation[J]. Neurocomputing, 2023: 126411.

- END -

打赏