3、医学图像分割：多方法解析与创新方案探讨

医学图像分割：多方法解析与创新方案探讨

在医学图像分割领域，深度学习模型面临着诸多挑战，尤其是在跨医疗中心部署时性能会显著下降。为解决这一问题，研究人员提出了多种方法，下面将详细介绍两种有代表性的技术方案。

类别级正则化的无标签到有标签学习（CU2L）

在半监督学习中，多站点无标签数据的利用是一个关键问题。CU2L框架通过三种定制方案有效地利用了这些数据。

局部伪标签学习

为了让模型更好地拟合局部分布，对局部无标签数据采用类似监督学习的方式。教师模型具有自集成特性，能为学生模型提供相对稳定的伪标签。但由于局部有标签数据有限，生成高质量伪标签存在困难。因此，对于每个像素，如果其最大后验概率大于一个从0.75到0.9的阈值，该像素将被纳入损失计算。为了减少标签噪声的影响，采用部分Dice损失进行伪标签学习，公式如下：
[
L_{u}^{PL} = \frac{1}{K} \sum_{k=1}^{K} L_{Dice}(P_{u,s,k}^{local}, \hat{Y} {u,t,k}^{local})
]
其中，(P {u,s}^{local}) 是学生模型对局部无标签图像 (X_{u}^{local}) 的预测，Dice损失针对图像的K个等大小区域分别计算，最后取平均值。这种区域形式有助于模型更好地感知局部差异，进行细粒度学习。

类别级正则化的无标签到有标签学习

• 无标签到有标签学习 ：多站点半监督学习（MS - SSL）的挑战源于类内变化，这是由不同的成像协议、疾病进展和患者特征等因素导致的。