近日，公司开云Kaiyun（人工智能公司）教师蒋明峰教授团队在医学图像分割领域取得新进展，相关工作以MLC: Multi-level Consistency Learning for Semi-supervised Left Atrium Segmentation为题被中科院一区Top期刊《EXPERT SYSTEMS WITH APPLICATIONS》（IF=8.5）在线发表。开云官方网站为第一署名单位，开云Kaiyun（人工智能公司）硕士研究生施哲彬为第一作者，开云Kaiyun（人工智能公司）博导蒋明峰教授为论文唯一通讯作者。该研究为半监督核磁共振图像左心房自动化分割提供了新的解决方案。

      研究表明，左心房壁纤维化增加与房颤消融效果不佳之间存在相关性。因此，对左心房进行分割并分析对辅助房颤诊断和治疗具有重要意义。基于深度学习的图像分割方法通常需要大量的样本及其标注进行训练。对医学图像进行像素级别的标注，工作量庞大且十分依赖于专家经验。使用少量标注样本的弱监督学习方法就体现出了重要价值。

      医学图像数据集往往样本较少，训练过程中容易造成过拟合，降低模型鲁棒性。蒋明峰教授团队认为在未标注数据上添加更多的一致性约束可以使模型学习更多的未标注样本的信息，从而提高模型的泛化能力。因此，该研究提出了结合任务一致性、数据一致性和特征一致性的多一致性半监督学习模型，如图1所示。在任务一致性中，二值分割图与符号距离图输出结果进行距离估计；对未标注样本的输入数据进行随机翻转（水平或垂直）干扰，形成数据一致性；对于特征一致性，该研究提出了基于虚拟对抗训练的多层特征扰动。

图1.多级一致性半监督学习网络示意图

      对于该模型而言，同一样本有扰动和无扰的预测结果期望是尽可能一致的，对于扰动而言，它则是尽可能地使两个预测之间的差异最大化，两者形成对抗。虚拟对抗训练能够鼓励模型减少此类差距，从而提高稳健性。在对抗性训练中，扰动不直接添加到输入中，而是对模型优化的梯度方向进行扰动。在V-Net网络结构中，跳过连接的结构使得模型深层特征与浅层特征得到融合，基于此设计的多层虚拟对抗扰动，能够在更多的特征层面生成扰动信息，让模型鲁棒性进一步提升，如图2所示。

图2.多层虚拟对抗性训练模型示意图

      该研究在两个公开的左心房分割数据集上（STACOM 2018、LAScarQS 2022）均达到state-of-the-art性能。

      原文链接：https://doi.org/10.1016/j.eswa.2023.122903

通讯作者简介

      蒋明峰，教授，博导，浙江大学博士，浙江省浙江省高层次人才特殊支持计划“创新领军人才”，浙江省高校领军人才培养计划“创新领军人才”。研究方向主要涉及计算机医学影像图像处理、生物医学信号检测与处理、反演问题及正则化技术、机器学习及最优化方法研究等研究工作。作为项目负责人主持科技部重点研发计划战略性科技创新合作专项1项、国家自然科学基金项目4项、浙江省科技厅尖兵项目1项、浙江省自然科学基金项目3项（其中重点项目1项）、浙江省科技厅公益项目1项；参与浙江省重点研发项目1项（高校主持人）、国家973计划项目子课题1项；发表SCI/EI检索期刊论文60余篇，授权发明专利10余项。