💻 computer science

HLNet: High-Confidence Lightweight Network for Semi-Supervised Medical Image Segmentation

本文提出了 HLNet，一种用于半监督医学图像分割的高置信度轻量化网络，该网络利用双层扰动和证据推理学习（EVIL）来减轻错误伪标签监督并降低模型复杂度，在仅使用 20% 有标签数据的情况下，在公开数据集上实现了卓越的性能。

原作者： Xiaoyu Huang, Jianxin Hou, Canfei Xu, Jinwei Ge, San Li, Yang Li

发布于 2026-09-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Xiaoyu Huang, Jianxin Hou, Canfei Xu, Jinwei Ge, San Li, Yang Li

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代医学领域，医生诊断和治疗的能力往往取决于他们能否清晰地观察人体内部。医学图像，如 MRI 扫描或超声图像，是医生观察器官、组织和肿瘤的窗口。为了理解这些复杂的图像，计算机越来越多地被用于自动追踪特定区域的轮廓，这一过程被称为分割。这种数字化的勾勒帮助医生测量肿瘤的大小或心室的体积，其速度和一致性是仅凭人类肉眼无法比拟的。然而，教计算机完成这项工作传统上需要大量人类专家的协助。为了让计算机学会识别心肌或乳腺病变，必须向它展示数千张由医生辛勤绘制出精确边界的图像。这种人工标注过程缓慢、昂贵，并且在面对每种类型的医疗状况时，往往难以获得足够数量的数据。

为了解决这种标注数据短缺的问题，科学家们转向了一种称为半监督学习的策略。这种方法允许计算机从少量经过专家标注的图像中学习，同时还通过研究大量尚未见过的未标注图像来进行学习。计算机尝试猜测未标注图像中的边界，并利用这些猜测来改进自己，就像一名学生通过几本教科书学习，然后通过练习大量的未标注笔记来提升自己一样。然而，这种方法有一个显著的缺陷：如果计算机在早期犯了错，它可能会强化这种错误，从而让自己变得“自信地错误”。此外，目前用于此类任务的强大计算机程序通常过于庞大和沉重，无法在便携式医疗设备（如病床旁的超声机）上运行。研究人员现在正寻求一种既能从有限数据中智能学习，又足够轻量以随医生移动的系统。

一个研究小组开发了一种新的解决方案来应对这些挑战，他们将这个系统称为 HLNet。这是一个轻量级的网络，旨在即使在处理极少标注信息的情况下也能对其预测保持高度自信。他们工作的核心思想是教计算机在确定正确之前对自己的猜测保持怀疑。该系统并非盲目接受计算机对未标注图像所做的每一个猜测，而是包含了一种估计特定像素不确定性的机制。如果计算机不确定，系统就会忽略该部分图像；如果计算机很自信，系统则会利用该信息来引导学习。这防止了模型从自身的错误中学习，而这正是以往方法中的一个常见陷โทษ。

为了使该系统在较小设备上高效运行，研究人员重新设计了计算机的“大脑”，即骨干网络。传统系统使用标准的构建模块，无论图像实际显示什么，都会以同样僵化的方式处理每一张图像。新设计使用了一个动态组件，可以针对它看到的每一张特定图像调整其内部设置。你可以将其想象成一个摄像镜头，它会自动改变焦距和形状，以完美适配面前的主体，而不是对每张照片都使用固用的镜头。这使得系统能够捕捉不同医学扫描的独特细节，而无需大量的内存或处理能力。通过用这些可适应的轻量级组件取代沉重的标准组件，研究人员创建了一个体积明显小于竞争对手但仍具备高性能的模型。

研究人员在三种不同类型的医学数据上测试了他们的系统：心脏 MRI 扫描、乳腺超声图像和前列腺 MRI 扫描。在这些实验中，他们只给了计算机一小部分带有专家标签的图像——具体而言，只有 20% 的数据是有标签的，其余的均为未标注数据。尽管面临这种指导匮乏的情况，新系统的表现依然优于那些拥有相同有限数据的先进方法。它在识别心室、乳腺肿瘤和前列腺组织方面达到了极高的准确度，足以媲美那些需要更多计算能力的更大型、更复杂模型的性能。事实上，在心脏 MRI 数据集上，该系统实现的准确度几乎与使用 100% 标注数据的全监督模型相当，但它仅使用了五分之一的标注图像和极小部分的计算资源。

该系统成功的关键在于它如何处理不确定性的“噪声”。当计算机观察一张未标注图像时，它会生成一个预测和一个确定程度的度量。研究人员发现，通过过滤掉计算机不确定的像素，可以防止模型被错误的猜测误导。他们还引入了一个自我修正步骤，即系统在接受作为学习信号之前，会先审查自己的工作并完善最终答案。这种双重检查过程确保了模型只从最可靠的信息中学习。结果表明，这种方法不仅提高了分割的准确性，还使识别区域的边界变得更加清晰和精准，这对于医学诊断至关重要。

这项研究证明，构建既高度准确又具有实际应用价值的医学图像分析工具是可能的。通过将轻量级、可适应的架构与处理不确定性的智能策略相结合，研究人员创建了一个能够从有限数据中有效学习的模型。这意味着在未来，医生可能会在便携式设备上使用先进的分割工具，而无需超级计算机或海量的预标注图像数据库。该系统在不同类型的医学扫描中证明了其价值，展示了它能够适应心脏、乳腺和前列腺成像的独特挑战。虽然这项技术仍处于研究阶段，但研究结果为开发更易获取且更高效的医学影像工具指明了方向，这些工具可以在医疗护理现场协助医生做出更快、更准确的决策。

技术摘要：用于半监督医学图像分割的 HLNet

问题陈述

医学图像分割对于病灶定位和治疗规划至关重要，但这类任务高度依赖于密集标注的数据，而从专家医生处获取这些数据既昂贵又耗时。虽然半监督学习（SSL）通过利用无标签数据提供了一种解决方案，但现有方法面临着显著的局限性：

对低质量伪标签的依赖： 大多数 SSL 方法使用自训练或一致性正则化。这些方法极易受到误差传播的影响，即低质量的伪标签会提供错误的监督信号，从而降低模型的性能。
扰动策略不足： 现有的基于一致性的方法通常依赖于单一约束或单维度扰动，导致决策边界不精确，且容易受到噪声的影响。
计算负担： 最先进的半监督骨干网络（例如 CNN、Vision Transformers）通常具有庞大的参数量和高昂的计算成本，这使得它们不适用于资源有限的便携式设备，如床边超声系统。

方法论：HLNet 框架

作者提出了 HLNet（高置信度轻量级网络），这是一个旨在通过双层扰动运行并保持轻量化架构的半监督分割模型。该框架集成了四个核心组件：

1. 带有 DyBAC 的轻量化骨干网络

为了解决计算约束，HLNet 使用 动态卷积双向注意力组件（DyBAC） 取代了 UNet 变体中的标准卷积。

机制： DyBAC 将空间注意力机制与动态卷积相结合。它通过深度可分离卷积将空间相关性和通道相关性进行解耦。
适应性： 与使用固定参数的标准卷积不同，DyBAC 根据学习到的注意力系数，为每个输入样本动态调整卷积核参数。
效率： 该设计显著减少了参数量（约为基准模型 Model2 的 1/5），同时增强了特征表示能力。

2. 双层扰动策略

HLNet 在两个不同的层面采用扰动，以提高鲁棒性和一致性：

数据级扰动 (BCP)： 模型利用 双向复制-粘贴 (BCP) 技术。在训练批次中，将有标签图像和无标签图像进行随机裁剪并粘贴到彼此之上，从而生成混合的“向内”和“向外”图像。该策略鼓励模型从跨数据分布的关键特征和语义信息中学习，缓解了分布不匹配问题。
模型级扰动： 该架构采用共享编码器配合两个具有不同上采样方法的不同解码器。这种结构上的差异充当了模型级扰动，迫使网络在面对架构变化时学习到一致的表示。

3. 通过 EVIL 进行不确定性估计

为了减轻低质量伪标签带来的错误监督风险，HLNet 引入了 证据推理学习 (EVIL)。

机制： 网络的一个分支充当证据分支，利用证据理论（Dirichlet 分布）在单次前向传播中计算伪标签的不确定性估计。
过滤： 模型会识别并忽略高不确定性的像素。只有高置信度的伪标签会被保留用于一致性监督，从而有效地过滤掉噪声。

4. 自校正模块 (SCM)

为了进一步优化预测并减少认知不确定性，在学生网络之后添加了一个 自校正模块 (SCM)。

功能： SCM 将两个分支的预测结果进行拼接，并通过一个轻量级卷积块（3x3 卷积、BN、ReLU、1x1 卷积）进行处理。
目标： 该模块用于纠正潜在的不一致性，产生经过优化的预测，随后由可靠的伪标签进行监督。

损失函数

总训练损失结合了三个部分：
$L_{total} = L_{mix} + L_{mix\_re} + \beta L_{con}$
其中 $L_{mix}$ 是来自 BCP 的混合损失， $L_{mix\_re}$ 是经过 SCM 处理后的修正混合损失， $L_{con}$ 是两个分支之间的相互一致性损失，并由高斯加权函数进行加权。

核心贡献

HLNet 架构： 一种轻量级的半监督网络，能够在双层扰动下从无标签数据中学习，增强了泛化能力和一致性。
DyBAC 集成： 设计了一个使用 DyBAC 替换传统卷积的轻量化骨干网络，从而实现在保持准确性的同时，能够高效部署在资源受限的设备上。
可靠性机制： 引入了用于单次传递不确定性估计的 EVIL 和用于自校正的 SCM，这两者共同过滤了低质量伪标签，防止了误差传播。
全面验证： 通过在三个不同医学影像数据集上的广泛实验，证明了其卓越的性能。

实验结果

模型在三个公开数据集上进行了评估：ACDC（心脏 MRI）、BUSI（乳腺超声）和 Promise12（前列腺 MRI）。

性能与复杂度的关系： 仅使用 20% 的有标签数据，HLNet 就取得了与全监督模型及其他半监督方法（如 UAMT、MCNet+、BCP、ABD）相当甚至更优的结果，同时显著降低了参数量（0.59M）和 GFlops（0.87）。
ACDC 数据集： 在 20% 有标签数据的情况下，HLNet 实现了 89.84% 的 Dice 相似系数 (DSC) 和 82.08% 的 Jaccard 指数。这优于 SwinUNet (89.28% DSC)，并与使用 100% 数据训练的全监督 UNet (91.13% DSC) 表现相当，但计算成本大幅降低。
BUSI 数据集： 模型在 20% 有标签数据下达到了 77.31% 的 DSC，优于大多数对比性的半监督方法，并展示了在处理低质量图像时对边界分割的鲁棒性。
Promise12 数据集： HLNet 在所有指标上均取得了最好或第二好的结果（DSC: 86.08%, Jac: 75.99%），展现了在前列腺分割方面的强大鲁棒性。
消融实验： 实验证实，BCP、EVIL 和 SCM 模块的结合提供了最显著的性能提升。具体而言，BCP 对性能的贡献最大（DSC 提升了 5.82%），而 EVIL 和 SCM 则进一步优化了模型的置信度和边界精度。

重要性与主张

本文声称 HLNet 成功解决了医学成像中分割精度、模型复杂度和数据效率之间的权衡问题。通过结合双层扰动与基于证据的不确定性过滤，该模型能够有效地从无标签数据中学习，而不会陷入自训练方法中常见的误差传播问题。

作者强调，HLNet 对于便携式设备设计具有重要意义。其轻量化特性（低参数量和低 GFlops）使其适用于资源受限的环境，例如床边超声设备，而在这些环境中，传统的重型模型（如基于 ViT 或大型 CNN 的模型）是无法实际应用的。实验结果表明，HLNet 仅需使用一小部分有标签数据，即可实现与使用全量数据集训练的全监督模型相媲美的分割性能。