根据科睿唯安(Clarivate Analytics)公布的2024年11月ESI最新数据，上海交通大学生物医学工程学院/磁共振诊疗高端技术国家工程研究中心张立箎副教授团队2024年发表于国际期刊IEEE Journal of Biomedical and Health Informatics（IF=6.7）的研究工作"RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation"成功遴选为ESI高被引论文。该论文与华山医院毛颖团队开展合作，共同一作为上海交通大学2021级硕士生赵翔宇和华山医院齐曾鑫，共同通讯作者为张立箎和毛颖。该项研究提出了一种结合不确定性校正与对比学习的伪监督算法RCPS用于医学图像分割任务，显著提升了半监督学习下的分割性能。RCPS修正了传统伪监督算法中的噪声以提升模型学习的准确性，并且加入双向对比学习机制提升了类别可分性，这些改进使得RCPS在半监督医学图像分割的两个基准数据集中都取得了最优的分割性能。本研究有效的提升了半监督学习在医学图像分割中的实用性，有效减轻了分割模型构建时的数据标注负担。

研究背景

     在医学影像分析中，对解剖结构或病变区域进行高效、精确的分割将有利于多种临床下游任务。深度学习的快速发展带来了许多用于医学图像定量分析的图像分割方法，然而，这些方法通常需要大量标注数据才能达到令人满意的性能。由于医学图像的手动标注成本高昂且费时，特别是对于如CT和MRI扫描等三维医学图像，因此半监督学习在医学图像分割中的应用有着良好的前景。

     由于大量样本没有人工标注，伪监督成为了半监督学习中一种流行策略，也即利用分割网络对未标注图像的分割预测被用作伪标签来指导训练。虽然这一半监督框架简单且有效，但在半监督医学图像分割任务中仍然存在两个主要挑战：

1. 伪标签的噪声问题：伪监督是通过使用分割模型为未标注图像生成伪标签来实现的。然而，分割模型通常容易受到标签噪声的影响，这不可避免地会妨碍伪监督的有效性。

2. 特征空间中监督不足：当前的半监督学习方法仅在标签空间提供监督，但它们缺乏在特征空间中的明确监督，以进一步提高类别的可分性。

研究方法

     针对上述现有问题，本研究提出了RCPS (Rectified Contrastive Pseudo Supervision)半监督学习算法，用于医学图像的半监督分割，RCPS的主要贡献分为两个方面：

1. 本研究提出了一种基于不确定性校正的伪监督策略，该策略能生成两个外观不同的增强输入，并基于不确定性估计和一致性正则化来修正伪标签。这种方法迫使模型在带有标签噪声的伪监督下稳健地学习，这显著增强了半监督分割的能力。

2. 本研究引入了双向体素对比学习策略来解决类别区分度不足的问题。对比学习通过直接优化特征空间内的特征距离提升类别可分性，且我们提出的双向体素对比学习通过双向计算提供了更强的监督信号。

     本研究在半监督医学图像分割的两个基准数据集上进行了深度的测试与分析，包括LA数据集以及Pancreas-CT数据集。

图1 RCPS半监督分割算法示意图。

研究成果

     表1与表2分别展示了常见的半监督分割算法在LA和Pancreas-CT两个基准数据集的分割性能对比。可以看到RCPS在两个数据集下均取得了最好的分割Dice指标，对比此前的半监督分割算法有明显的性能提升。同时，图2与图3也对各个算法的分割效果进行了定性的可视化对比，其中RCPS分割的可视化结果表明，对比其他算法，RCPS在边界与模糊区域的分割效果更好，这也证明了RCPS的确减轻了伪监督中的噪声影响，且提升了不同类别之间的可分性。

     此外，在表3中，本研究对不确定性校正与双向体素对比学习的有效性进行了消融实验的分析。可以看到两项改进都能够对分割的效果带来显著的正面作用，且在二者结合时能够取得最优的分割效果，这也证明了RCPS算法的整体有效性。

表1 LA数据集的实验结果，其中最优与次优的结果用粗体标出。

表2 Pancreas-CT数据集的实验结果，其中最优与次优的结果用粗体标出。

图2 LA数据集的可视化分割结果。

图3 Pancreas-CT数据集的可视化分割结果。

表3 不确定性校正与双向对比学习的消融实验分析。

总结

     综上所述，RCPS算法在半监督医学图像分割中取得了良好的性能，通过多项验证证明了其有效性，该算法在医学图像的分割任务中表现出了明显的潜力，通过半监督分割的方式减轻了医生的标注负担，有助于加速临床阅片流程。

供稿单位丨科研与学科办

作者丨张立箎课题组

审核人丨叶坚、丁显廷