近日，太阳澳门集团网站数字医学工程全国重点实验室周光泉教授联合计算机学院陈阳教授团队，在国际顶级学术期刊Medical Image Analysis发表题为“CHAP: Channel-Spatial Hierarchical Adversarial Perturbation for Semi-supervised Medical Image Segmentation”（CHAP: 一种基于通道-空间层次化对抗扰动的半监督医学图像分割方法）的研究论文，提出一种新颖的通道-空间层次化对抗扰动方法，在交叉一致性双解码器框架下融合自适应层次化扰动机制与有标签数据/无标签数据的耦合学习，为解决临床实践中标注匮乏且病灶形态复杂的分割难题提供了稳健的技术支撑。
半监督医学图像分割（Semi-Supervised Medical Image Segmentation, SSMIS）通过联合利用少量有标注数据与大量无标注数据，在保证性能的同时显著降低标注成本。其中，一致性正则化（Consistency Regularization）作为当前主流的半监督学习策略，通常依赖于输入级或特征级扰动，以构建不同视角的预测并施加一致性约束。然而，现有SSMIS 方法仍面临若干关键挑战：
1）在伪标签驱动的训练过程中，模型容易对自身错误预测产生过度自信，从而引发确认偏差（Confirmation Bias），进一步影响无标注数据的学习质量与泛化性能。
2）现有策略通常在图像空间或特征通道维度上均匀施加扰动且扰动类型单一，忽略了医学图像中显著的解剖异质性与边界模糊性，缺乏对易受确认偏差影响的困难区域和样本的针对性处理。
3）现有策略通常在有标签与无标签数据的利用方面存在显著不对称性。多数方法将训练重点集中在无标签数据的一致性学习上，而忽略了有标签数据在引导难分类样本学习中的指导作用。
针对上述问题，本研究提出一种新颖的通道-空间层次化对抗扰动方法，在交叉一致性双解码器框架下融合自适应层次化扰动机制与有标签数据/无标签数据的耦合学习。其核心在于沿空间与通道维度针对异质区域施加差异化扰动，更有针对性地优化未充分学习的困难区域与样本表征，推动决策边界的细化，从而缓解确认偏差问题。具体而言，本研究首先提出了一种差异感知的空间对抗扰动策略，利用两个解码器之间的预测冲突动态调控空间扰动强度，引导模型探索决策边界附近的信息，实现预测结果的平滑化。其次，引入梯度引导的通道扰动策略，通过分析有监督与无监督损失方向的一致性，对语义表征冗余高度一致的通道进行自适应抑制，促使模型聚焦于未对齐特征的学习，从而增强有标签与无标签数据之间的知识迁移。在ACDC心脏MRI、Pancreas-CT胰腺CT、LA左心房以及ISIC皮肤病分割四项公开数据集上的实验结果表明，所提出方法在不同模态与不同器官场景下均取得了优异性能，验证了其有效性及良好的泛化能力。
该论文第一作者为太阳澳门集团网站硕士生周思平和龚志方，周光泉教授为通讯作者。该工作得到了国家重点研发计划项目、国家自然科学基金项目、江苏省重点研发计划项目以及江苏省制造强省建设专项基金项目等的支持。
论文链接：https://doi.org/10.1016/j.media.2025.103918
图文周光泉周思平龚志方