南京邮电大学通信与信息工程学院Zheng Li和Shipeng Xie提出边缘偏置一致性正则化EBC-Net

EBC-Net：精细分割胰腺模糊边界，引领3D医学影像半监督分割新突破

研究背景

   胰腺分割是计算机辅助诊断（CAD）的关键预处理步骤，对节约医疗资源、手术导航具有重要意义，尤其有助于胰腺癌等疾病的早期发现与病情评估。

   现在的医学图像分割框架主要有三大痛点。第一，为3D医学图像进行像素级标注需要大量时间与专业知识，且受患者隐私限制，数据获取困难。第二，在腹部CT影像中，胰腺与周围组织对比度低，边界不清，导致分割错误主要集中于边缘区域。第三，传统的基于一致性的半监督学习方法，在胰腺这种边界模糊器官的分割任务上效果有限。

    作为近年来引起轰动的SSL分支之一，一致性正则化吸引了许多研究人员的兴趣，其主要思想是对网络结构、未标记图像数据等进行轻微扰动，同时保证相同数据输出的一致性。现在的研究大多重点关注一致性学习区域的选择问题，以实现逐像素的精确预测，包括置信度学习和高模型不确定性。将双视图图像输入到单个编码器以及双解码器中以获得视图级预测，然后将它们放入融合模块中以生成图像级伪标签。EBC-Net模型使用边缘偏置一致性正则化策略，并使用边缘检测算子结合先验知识来指导网络训练，它是通过在图像和特征级别创建双扰动空间来实现的。EBC-Net模型是首次将边缘检测应用于3D医学图像以在半监督分割任务中构建边缘扰动是一项开创性的努力。

模型架构

图  1 EBC-Net模型网络结构示意图。

EBC-Net的核心设计思想是引导网络更多地关注难以分割的边缘区域。其整体架构包含一个主模型和一个融入边缘先验信息的辅助模型，主要包含三大创新模块。

   第一是双扰动空间中的边缘扰动设计。模型将边缘作为“先验知识”注入有限的标注数据，辅助网络从未标注数据中学习。EBC-Net首次在3D半监督分割任务中，应用Sobel和Laplace等3D边缘检测算子，分别在图像级和特征级构建边缘扰动，形成更全面的双扰动空间。通过一个两级融合模块整合不同层次的扰动信息，最终输入辅助解码器，使网络聚焦于ROI（感兴趣区域）边缘。

   第二是3D解剖不变性提取模块与解剖注意力。EBC-Net通过临床医生习惯于从横断面（T）、矢状面（S）、冠状面（C）三个解剖平面观察医学影像获得灵感，提出3D AIEM模块，将3D体积数据转换为三个解剖平面的子数据。创新性地引入解剖注意力机制，以其中一个平面（如横断面）作为“查询”，融合另两个平面作为“键值”，使网络能够捕获跨解剖平面的、不变的特征表示，从而做出更准确的像素级预测。

   第三是边缘偏置一致性正则化，EBC-Net通过一个一致性损失函数，促使主模型的输出与融入了丰富边缘信息的辅助模型的输出保持一致。模型的监督损失结合了Jaccard损失和Tversky损失，作者通过调整超参数，即α=0.9, β=1.1时模型达到最佳，特别增强了对假阳性样本的惩罚，以抑制全局边缘检测可能带来的非胰腺区域噪声。最后，总损失是监督损失与边缘一致性损失的加权和。

结果一、Pancreas-CT数据集胰腺分割任务

图  2 使用所提出的方法和其他方法对分割结果进行3D可视化比较，利用Pancreas-CT数据集上的10%和20%标签。

表1展示了EBC-Net与Pancreas-CT数据集上的其他半监督和完全监督医学图像分割网络之间的定量比较。数据表明，当使用20%标记数据时，EBC-Net模型实现了80.07%(Sobel)和79.46%(Laplace)的Dice系数。当使用10%和5%标记数据时指标分别为73.10%和69.96%、48.47%和44.80%。这些结果表明模型在准确描绘胰腺区域方面的优越性，随着标记样本数量的减少，这种优势变得更加明显。此外，在所有三种场景中，模型在95HD上都表现出显着下降，表明其在形状感知和边缘分割方面的优越性。

   另外从图2的3D可视化结果图可以看到，通过包含边缘检测，模型可以更好地捕获胰腺的3D解剖形状并实现出色的视觉分割结果。

图  3 边缘分割错误的四个示例。第一列是原始图像，第二列是真实值（GT），三到四列是EBC-Net的结果，其余是在 Pancreas-CT 数据集上的比较方法。

另外，由于模型的主要目标是利用边缘扰动实现边缘模糊的ROI的精确分割，因此比较边缘误差的程度以验证每种方法的有效性也很重要。如图3所示，作者选择了四个边缘模糊的样本，并计算了边缘误差图。很明显，模型在视觉效果方面比其他技术表现更好。并且如样本1和样本2所示，当处理具有更明显的模糊边缘的输入时，这种优势变得更加突出。

结果二、MICCAI竞赛胰腺分割任务

   MICCAI数据集上的分割结果如表2所示。模型实现的Dice系数为72.27%（Sobel）和72.72%（Lap），性能优于其他方法。结果表明了我们的方法在各种数据集上的优势，并且与胰腺分割任务的分析基本一致。

结论与意义

   EBC-Net成功地将边缘先验知识引入半监督学习框架，通过构建双扰动空间和边缘偏置一致性正则化，有效解决了在有限标注下胰腺边界分割不准的难题。同时，受临床启发的3D解剖注意力模块，更好地利用了医学影像的三维特性。实验表明，该方法在多个数据集和指标上均达到了领先水平。EBC-Net证实了在双扰动空间中构建边缘扰动以增强传统一致性模型的巨大潜力。

   另外，目前使用的Sobel/Laplace等传统边缘检测算子可能会引入额外噪声。未来的一个重点方向是探索基于神经网络的新方法来构建更精准、更自适应的边缘扰动，以期获得更好的性能。EBC-Net模型为半监督医学图像分割，特别是针对边界模糊器官的分割，提供了新颖而有效的思路，有望推动AI辅助诊断在相关领域的实际应用。

THE END