2、医学图像分割新突破：CU2L框架助力前列腺分割

医学图像分割新突破：CU2L框架助力前列腺分割

在医学影像领域，前列腺的磁共振成像（MRI）分割对于前列腺癌的诊断和治疗规划至关重要。然而，目前深度学习方法虽然提升了分割的准确性和效率，但需要大量的标注数据，这在实际操作中既昂贵又依赖专业知识。半监督学习（SSL）作为一种解决方案，可利用有限的标注数据和大量的未标注数据，但在实际应用中也面临着诸多挑战。

1. 半监督学习的困境与挑战

• 数据数量与质量问题 ：SSL的有效性严重依赖未标注数据的数量和质量。在实际情况中，由于图像收集能力受限或患者样本稀缺，本地未标注数据池可能有限，这会导致现有SSL方法在泛化到未见测试数据时性能不佳。
• 数据异质性问题 ：为了丰富未标注数据池，从其他中心获取支持是可行的解决方案，但不同的成像协议和患者人口统计学差异会引入数据异质性，这违反了SSL通常假设的标注数据和未标注数据独立同分布（i.i.d.）的条件，从而阻碍了SSL的性能。

中心	来源	扫描数量	场强（T）	分辨率（平面内/层间，mm）	线圈	扫描仪
C1	RUNMC [1]	30	3	0.6 -