2024年2月8日，我校生命科学与技术学院张旭明副教授/武汉光电国家研究中心王植炜副教授在国际著名期刊《IEEE Transactions on Medical Imaging》上发表了题为 “Robust Semi-supervised 3D Medical Image Segmentation with Diverse Joint-task Learning and Decoupled Inter-student Learning”的研究论文。

图像分割在医学图像分析中扮演着重要角色，广泛应用于疾病诊断和手术导航等领域。近年来，随着深度学习在医学图像领域的迅速发展，各种结构精巧、性能优异的图像分割模型相继涌现，但这些模型通常需大量标注数据作为训练样本，而分割金标准需专业医师手动标注，费时费力。半监督学习（Semi- Supervised Learning，SSL）方法能有效降低对标注数据的需求，因此得到广泛关注。

基于平滑性假设的一致性学习是SSL领域的主要手段之一，其典型代表是Mean Teacher（MT）方法。基于一致性学习的SSL方法除了针对标注数据的监督损失外，还利用数据和模型上的扰动来提高分割结果的置信度，增强模型在复杂医学图像场景中的抗干扰能力。尽管这类方法在提升图像分割性能方面表现出色，但仍面临两大挑战。一方面，它难以确定适用于不同医学任务的扰动类型或强度，在处理无标签的三维医学图像，尤其是在数据稀缺且目标解剖结构变化不大的情况下，轻微扰动可能会导致任务过于简单，导致难以挖掘有效信息。另一方面，由于权重同步机制，学生模型可能会过快地与教师模型达成一致，导致一致性约束失效。

针对上述问题，研究团队提出了基于多任务学习和单教师-多学生框架的新型SSL分割方法。在多任务学习中，通过将掩码建模重建任务和分割任务结合，提升分割模块中编码器特征提取能力，并将掩码作为一种灵活的数据扰动策略。在单教师-多学生框架中，利用多个学生模型间分割结果一致性约束，有效克服了传统MT模型中师生参数同步策略耦合问题，大大提升了分割精度。在左心房分割挑战磁共振成像（GE-MRI）、肝脏CT、胰腺CT及前列腺MRI等数据集上，将该新方法与MT, UA-MT, SASSNet, DTC, URPC, MC-Net+, AUA及AC-MT等主流SSL分割方法对比，结果表明：新方法在Dice, Jaccard, HD95等指标上明显优于对比算法，分割结果与金标准（GT）具有更高的相似度。该方法不仅建立了三维医学图像SSL分割新范式，而且为手术导航中软组织实时精确识别等任务提供了新手段。

图1 基于多任务联合学习和单教师-多学生的图像半监督分割框架

图2 不同SSL方法在3D前列腺MR图像上的分割结果（仅使用10%带标签数据）

18luck新利电竞 生命学院博士后周权和硕士生余斌为论文共同第一作者，生命学院张旭明副教授和武汉光电国家研究中心王植炜副教授为共同通讯作者。该工作得到国家重点研发计划项目（2018YFE0206900）的资助。 

原文链接：https://ieeexplore.ieee.org/document/10422981