中国科学院合肥物质科学研究院智能机械研究所王焕钦教授团队近期提出一种半监督医学图像分割方法，该研究成果已在学术期刊《模式识别》上发表。该方法旨在应对3D医学图像像素级标注成本高、效率低的现实挑战。

当前多数医学图像分割方法依赖于一致性正则化与伪标记技术，其核心目标是通过提升模型对扰动的稳定性以增强泛化性能，但此类策略常导致全局特征与局部边界细节之间的失衡。针对该问题，研究团队开发了一种新型边界特征对齐方法，该方法能够有效利用少量标注数据与大量未标注数据，实现跨数据的统一边界特征表示。

该方法的核心组件为一个高精度的3D边界提取器，能够同时捕捉真实标注边界与伪标注边界信息。通过融合多源边界特征，模型在训练早期即可实现边界嵌入，从而提升模型在不同标注状态下的泛化能力与对齐一致性。该方法基于平均教师框架构建，并在LA、Pancreas-CT和ACDC三个公共数据集上进行系统验证。

实验显示，该方法在多项评估指标中表现出良好性能。在仅使用10%标注数据的ACDC数据集场景下，该方法在95%豪斯多夫距离和平均表面距离等指标上优于完全监督模型。该研究为降低医学图像分析中对大规模标注数据的依赖提供了可行路径，对推动相关技术走向临床实用具有积极意义。

更多信息： Yigeng Huang 等人，《半监督医学图像分割的边界特征对齐》，《模式识别》(2025)。