计算机工程

作者：李萍, 张雪英, 王夙喆, 李凤莲, 张华

单位：1. 太原理工大学电子信息与光学工程学院, 山西 太原 0300242. 山西医科大学第一医院影像科, 山西 太原 030024

关键词：病灶分割,半监督学习,一致性正则化,多尺度减法,多特征融合

基金：国家自然科学基金面上项目(62171307); 山西省基础研究计划(自由探索类)面上项目(202103021224113)

深度监督学习在医学图像分割领域已经取得了显著成就，但它在很大程度上依赖于大量标签数据，难以获取高质量标签的医学图像数据。基于此，提出一种半监督多尺度一致性网络(SSMC-Net)的医学图像病灶分割方法。该方法构建的网络采用联合训练架构，同时从标签数据和无标签数据中学习。此外，为了减少下采样和上采样过程中细节信息的丢失，设计了多尺度减法(MS)模块来捕获更广泛的差分特征，包括减法单元(SU)和多特征融合单元(MFFU)。SU负责提取多尺度编码器中的差分信息，MFFU有选择性地融合其中最相关的重要特征，为解码器提供更精确的特征表示。最后，重新设计了损失函数，在有监督部分综合计算各分辨率下的像素级输出的损失值，在无监督部分提出多尺度联合一致性损失，并设计距离函数来减少不可靠样本的影响。在CPD、ATLAS和ACDC数据集上的实验结果表明，相比现有半监督分割方法，该方法在50%标签占比下的Dice相似系数(DSC)、F2值等关键评价指标更优。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期