LESEN: 基于多参数 MRI 的视觉通道分割的标签高效深度学习
内容提要
该文综述医学图像分割的半监督深度学习方法，涵盖正则化、自举、自集成、自监督对比学习及稀疏标注等技术。研究表明，利用少量未标记数据可提升模型泛化与分割精度，在脑损伤、前列腺、左心房、多发性硬化症及皮肤病变等任务上优于现有方法，并展望了标签高效学习的未来方向。
延伸解读
从单一方法到系统策略：标签高效学习的全景
文章梳理了半监督医学图像分割的多条技术路线，包括正则化、自举、自集成、自监督对比学习以及稀疏标注等。这些方法并非孤立，而是共同指向一个目标：在标注数据有限时，利用未标记数据提升模型泛化能力。读者可将其视为一个方法工具箱，根据任务特点选择或组合使用，而非依赖单一技术。
稀疏标注的量化收益：以切片级标注为例
文章提到一种仅对每个3D训练MR图像标注一个2D切片的稀疏标注方法，在前列腺分割上平均B-IoU达到70.3%，比对比方法ICT的60.3%提升超过10个百分点；左心房分割上为66.1%对60.1%，提升超过6个百分点。这些具体数字表明，大幅减少标注工作量仍可能带来显著的分割精度提升，但需注意其比较对象和任务范围。
泛化能力的验证场景与边界
文章涉及脑损伤、前列腺、左心房、多发性硬化症及皮肤病变等多种任务，并在不同扫描仪的临床测试数据上展示了泛化能力。例如多发性硬化症损伤分割模型采用实例归一化而非批归一化，并引入测试时自组合策略。这些设计提示读者，标签高效方法的效果需结合具体数据分布和临床场景评估，跨中心泛化仍是关注重点。
Q&A
医学图像分割中标签高效学习主要有哪些技术方向？
文章综述了半监督学习、自监督学习、多实例学习、稀疏标注、积极学习等标签高效学习策略，并涵盖正则化、自举、自集成、自监督对比学习等具体技术。
自集成方法在医学图像分割中有什么作用？
自集成方法即使在使用少量未标记数据时也能提高模型的泛化能力，从而在医学成像应用中解决单一领域下模型泛化的问题。
稀疏标注方法在前列腺和左心房分割任务上表现如何？
对于前列腺分割，平均B-IoU增加了10.0%以上（提出的方法B-IoU：70.3% vs. ICT B-IoU：60.3%）；对于左心房分割，平均B-IoU增加了6.0%以上（提出的方法B-IoU：66.1% vs. ICT B-IoU：60.1%）。
如何利用自监督对比学习提高分割模型的鲁棒性？
文章提出采用自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测，从而自适应地调整网络的表示能力并降低预测不确定性。
多发性硬化症损伤分割模型采用了什么策略来提升泛化能力？
利用U-Net架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，同时具备实例归一化而非批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。
半监督方法在皮肤病病变分割中取得了什么效果？
通过标记和未标记数据的加权结合优化神经网络，并采用不同正则化方法提高像素级预测效果，实现对少量标记数据的高效训练，在ISIC 2017皮肤病病变分割竞赛中取得2000个标记数据以下更好的性能。
