半监督医学图像分割方法合集

中文 | English

📖 研究方向介绍

半监督医学图像分割（Semi-supervised Medical Image Segmentation） 是一个重要且活跃的研究领域，主要解决医学图像分割中标注数据稀缺的问题。

🎯 研究背景

深度神经网络为自动化医学图像分割提供了最先进的性能，但训练这些模型需要专家进行昂贵的标注工作。由于难以获得大量标注数据，半监督学习正成为医学图像分割的一个有吸引力的解决方案。

🔧 核心技术框架

这些方法主要基于以下几种核心技术：

Mean Teacher (MT) 架构：师生框架，教师模型通过指数移动平均(EMA)更新参数，指导学生模型学习
一致性正则化：在未标注数据上施加数据级和模型级一致性，强制模型在不同扰动下产生一致的预测
不确定性引导：将不确定性图融入模型中，强制学生从教师模型的高置信度预测中学习

🏥 应用场景

这些方法已被应用于多种医学图像分割任务，如心脏磁共振成像、前列腺分割、脑肿瘤分割等，在各种医学数据集上展现出良好的性能。

📚 论文方法概览

方法	发表年份	会议/期刊	核心创新	GitHub链接
Mean Teacher	2018	NIPS	权重平均替代标签预测平均	GitHub
UA-MT	2019	MICCAI	不确定性引导的Mean Teacher	GitHub
DTC	2021	AAAI	双任务一致性学习	GitHub
UPC	2023	CBM	不确定性感知伪标签与一致性	GitHub
MCF	2023	CVPR	互校正框架解决认知偏见	GitHub
BCP	2023	CVPR	双向copy-paste数据增强	GitHub
CML	2024	ACM MM	跨视角互补学习	GitHub
AC-MT	2023	MedIA	模糊共识均值教师	GitHub
DyCON	2025	CVPR	动态不确定性感知一致性与对比学习	GitHub
V-Net	2016	3DV	3D医学图像分割基础网络	GitHub

📋 详细方法介绍

Mean Teacher (MT)

论文链接: Mean teachers are better role models

GitHub仓库链接: MT

发表年份: 2018 NIPS

核心创新

Mean Teacher方法用模型权重平均替代标签预测平均，解决了Temporal Ensembling的局限性：

学生模型：正常的训练网络，接受梯度更新
教师模型：使用学生模型权重的指数移动平均(EMA)
两个模型都对输入应用不同的噪声扰动

技术细节

EMA更新：θ'_t = αθ'_{t-1} + (1-α)θ_t
一致性损失：J(θ) = E[||f(x,θ',η') - f(x,θ,η)||²]
使用均方误差(MSE)作为一致性损失函数

实验结果

SVHN数据集：250标签下达到4.35%错误率
CIFAR-10数据集：4000标签下从10.55%提升到6.28%
ImageNet数据集：10%标签下从35.24%提升到9.11%

UA-MT (Uncertainty-Aware Mean Teacher)

论文链接: Uncertainty aware multi-view co-training for semi-supervised medical image segmentation

GitHub仓库链接: UA-MT

发表年份: 2019 MICCAI

核心创新

在Mean Teacher基础上引入不确定性引导机制，只对高置信度的预测计算一致性损失：

使用Monte Carlo Dropout进行不确定性估计
预测熵作为不确定性度量：u = -Σc μc log μc
动态阈值调度策略，从确定案例逐步学习到不确定案例

关键技术

# 不确定性引导的一致性损失
Lc = [Σv I(uv < H) ||f'v - fv||²] / [Σv I(uv < H)]

实验结果

左心房分割数据集（16标注+64未标注）：

Dice: 88.88%，Jaccard: 80.21%
相比监督方法显著提升，接近完全监督性能

DTC (Dual-Task Consistency)

论文链接: Deep Transform Consistency for Semi-supervised Medical Image Segmentation

GitHub仓库链接: DTC

发表年份: 2021 AAAI

核心创新

构建任务级正则化，在像素级分类任务和几何感知水平集回归任务之间建立一致性约束：

任务1：传统像素级分割
任务2：水平集函数回归（捕获几何和距离信息）
使用可微任务变换层连接两个任务

技术特点

效率高：无需多次前向传播
参数少：相比复杂多网络架构，参数量更少
通用性强：可扩展到其他任务组合

实验结果

胰腺分割（12标注+50未标注）：

Dice: 78.27%，Jaccard: 64.75%
训练时间仅2.5小时，显著快于其他方法

UPC (Uncertainty-aware Pseudo-label and Consistency)

论文链接: Uncertainty-aware Pseudo-label and Consistency for Semi-supervised Medical Image Segmentation

GitHub仓库链接: UPC

发表年份: 2023 CBM

核心创新

首次在医学图像分割中有效结合一致性正则化与伪标签学习：

使用KL散度作为不确定性度量
动态不确定性机制，避免固定阈值的局限性
端到端训练框架

技术优势

计算高效：相比Monte Carlo Dropout方法，训练时间从3.14h降至1.27h
适应性强：动态阈值机制适应不同预测质量
性能优异：在标注数据稀缺场景下表现突出

实验结果

左心房分割数据集：

Dice: 89.65%，95HD: 6.71 voxel
在极少标注数据（4标注+76未标注）下Dice仍达84.37%

MCF (Mutual Correction Framework)

论文链接: MCF: Mutual Correction Framework for Semi-Supervised Medical Image Segmentation

GitHub仓库链接: MCF

发表年份: 2023 CVPR

核心创新

专门解决半监督学习中的模型认知偏见问题：

异构子网络设计：VNet + 3D-ResVNet，结构不同、参数独立
对比差异审查(CDR)：利用XOR操作找出不一致区域并修正
动态竞争伪标签生成(DCPLG)：实时评估性能，动态选择最佳伪标签生成器

技术亮点

# 对比差异审查
M_diff = BINA(Ŷ^L_A) ⊕ BINA(Ŷ^L_B)  # XOR操作
L_rec = MSE(Ŷ^L_diff, Y^L_diff)       # 修正损失

实验结果

左心房分割数据集：

Dice: 88.71%，95HD: 6.32 voxel
CDR模块可作为"免费午餐"集成到其他方法中

BCP (Bidirectional Copy-Paste)

论文链接: Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation

GitHub仓库链接: BCP

发表年份: 2023 CVPR

核心创新

解决标注数据与未标注数据间的经验分布不匹配问题：

双向混合策略：内向混合（未标注前景+标注背景）+ 外向混合（标注前景+未标注背景）
零中心掩码设计：前景背景交互充分，语义保持效果最佳
三阶段训练：预训练→初始化→自训练

技术优势

分布对齐：有效缓解标注与未标注数据的分布不匹配
简单高效：无需额外参数，计算开销与基线相同
广泛适用：在不同模态、不同器官分割任务上均有效

实验结果

心脏分割(ACDC数据集，5%标注)：

Dice: 87.59%，相比基线提升21.76%
在极少标注数据下展现显著优势

CML (Cross-View Mutual Learning)

论文链接: Cross-View Mutual Learning for Semi-Supervised Medical Image Segmentation

GitHub仓库链接: CML

发表年份: 2024 ACM MM

核心创新

从"一致性学习"转向"一致性+互补性"的协同学习：

冲突特征学习(CFL)：鼓励两个子网络从同一输入学习不同特征
跨视角互学习：通过CutMix构建异构监督信号
异构监督信号：混合自身视角和对方视角的伪标签

技术核心

# 冲突特征学习
L_dis = 1 + (f_i · f̄_(1-i))/(||f_i|| × ||f̄_(1-i)||)

实验结果

左心房分割数据集（10%标注）：

Dice: 90.36%，95HD: 6.06 voxel
在三个不同模态数据集上均取得SOTA结果

AC-MT (Ambiguity-Consensus Mean Teacher)

论文链接: AC-MT: Ambiguity-Consensus Mean Teacher

GitHub仓库链接: AC-MT

发表年份: 2023 Medical Image Analysis

核心创新

专注于模糊但信息丰富的区域进行一致性学习：

四种模糊目标选择策略：高Softmax熵、高模型不确定性、原型引导标签噪声识别、类条件系统性标签噪声识别
自适应目标选择：动态识别模糊但信息丰富的体素
即插即用设计：无需修改骨干网络或引入额外参数

实验结果

左心房分割（10%标注数据）：

Dice系数提升5.8%（84.25% → 89.12%）
在极端稀缺标注（2.5%）下仍达81.18% Dice

DyCON (Dynamic Uncertainty-aware Consistency)

论文链接: Dynamic Uncertainty-aware Consistency and Contrastive Learning

GitHub仓库链接: DyCON

发表年份: 2025

核心创新

处理类别不平衡和病理变化引起的高不确定性：

不确定性感知一致性损失(UnCL)：动态调整体素贡献，保留高不确定性区域信息
焦点熵感知对比损失(FeCL)：双重焦点机制处理类别不平衡
自适应β策略：根据训练进度动态调整不确定性处理

技术亮点

# 不确定性感知一致性损失
L_UnCL = (1/N) Σ [L(p^s_i, p^t_i) / (exp(β·H_s) + exp(β·H_t))] + (β/N) Σ [H_s + H_t]

实验结果

ISLES-2022数据集（5%标注）：

Dice: 61.48%，HD95: 17.61 voxel
在中风病变等高挑战性任务上表现优异

V-Net

论文链接: V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

GitHub仓库链接: V-Net

发表年份: 2016 3DV

核心创新

首个用于3D医学图像分割的端到端全卷积神经网络：

3D体积卷积：直接处理3D体积数据，保持空间连续性
残差学习架构：每个阶段学习残差函数，加速收敛
Dice损失函数：自动处理类别不平衡，直接优化分割质量指标
V型架构：编码器-解码器结构，包含跳跃连接

技术意义

确立了医学图像分割的U型架构范式
Dice损失成为医学分割标准
为后续3D分割网络奠定基础

实验结果

PROMISE2012前列腺分割：

Dice: 0.869±0.033，Hausdorff距离: 5.71±1.20 mm
处理速度约1秒/体积，远快于传统方法

🔍 方法对比与分析

性能对比表

左心房分割数据集（标准对比设置）

方法	标注数据	Dice (%)	Jaccard (%)	95HD (voxel)	ASD (voxel)
V-Net (监督)	16	85.06	74.54	17.38	4.54
MT	16+64	85.89	76.58	12.63	3.44
UA-MT	16+64	88.88	80.21	7.32	2.26
DTC	16+64	89.42	80.98	7.32	2.10
UPC	16+64	89.65	81.36	6.71	2.15
MCF	16+64	88.71	80.41	6.32	1.90
CML	16+64	90.36	-	6.06	1.68
AC-MT	16+64	89.12	80.46	-	-

技术演进脉络

graph TD
    A[V-Net 2016] --> B[Mean Teacher 2018]
    B --> C[UA-MT 2019]
    C --> D[DTC 2021]
    D --> E[UPC 2023]
    C --> F[MCF 2023]
    C --> G[BCP 2023]
    C --> H[AC-MT 2023]
    F --> I[CML 2024]
    I --> J[DyCON 2025]
    
    style A fill:#e1f5fe
    style B fill:#f3e5f5
    style C fill:#fff3e0
    style D fill:#e8f5e8
    style E fill:#fff8e1
    style F fill:#fce4ec
    style G fill:#e0f2f1
    style H fill:#f1f8e9
    style I fill:#e8eaf6
    style J fill:#fff9c4

方法分类

🎯 按核心技术分类

一致性正则化类：

Mean Teacher, UA-MT, AC-MT, DyCON

多任务学习类：

DTC

伪标签结合类：

UPC

多模型协同类：

MCF, CML

数据增强驱动类：

BCP

🏆 按创新点分类

不确定性处理：

UA-MT (过滤), UPC (动态), AC-MT (模糊区域), DyCON (保留+利用)

认知偏见解决：

MCF (异构网络), CML (互补学习)

分布不匹配：

BCP (双向copy-paste)

任务级约束：

DTC (水平集回归)

📊 应用数据集

常用数据集介绍

数据集	模态	任务	样本数	特点
LA (Left Atrium)	MRI	左心房分割	100个3D扫描	MICCAI 2018挑战赛数据
ACDC	MRI	心脏分割	150个患者	多类别心脏结构分割
BraTS-2019	MRI	脑肿瘤分割	335个患者	多模态脑肿瘤分割
Pancreas-NIH	CT	胰腺分割	82个CT扫描	挑战性小器官分割
PROMISE2012	MRI	前列腺分割	50个训练样本	V-Net原始验证数据集
ISLES-2022	MRI	中风病变分割	-	高类别不平衡场景

Pancreas数据集介绍，分为两个版本，最开始的版本有82个CT扫描（DyCON等用的是这个版本），后面更新后的版本只有80个CT扫描（BCP等用的是这个版本），删除了有问题的两个样例笔者个人建议使用最新版本（80个CT扫描），这里笔者提供最新版本的原始数据的百度网盘链接

🚀 使用建议

方法选择指南

基础入门：

从Mean Teacher开始，理解师生框架基本原理
使用V-Net作为骨干网络进行3D医学图像分割

不确定性处理：

标注数据充足：选择UA-MT
标注数据稀缺：选择AC-MT
极端类别不平衡：选择DyCON

性能优化：

需要最佳性能：尝试CML
计算资源有限：选择UPC
特定任务适配：考虑DTC

实际部署：

稳定性优先：MCF (认知偏见纠正)
数据增强需求：BCP
多模态数据：DyCON

实现建议

环境配置：大部分方法基于PyTorch实现，需要CUDA支持
数据预处理：统一数据格式，注意归一化和增强策略
超参数调优：从论文推荐参数开始，根据具体数据集微调
评估指标：使用Dice系数、Jaccard指数、Hausdorff距离等标准指标
训练策略：注意EMA更新、学习率调度、一致性权重等关键参数

📖 引用格式

如果这些方法对您的研究有帮助，请考虑引用相关论文：

@inproceedings{tarvainen2017mean,
  title={Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results},
  author={Tarvainen, Antti and Valpola, Harri},
  booktitle={NIPS},
  year={2017}
}

@inproceedings{yu2019uncertainty,
  title={Uncertainty-aware self-ensembling model for semi-supervised 3D left atrium segmentation},
  author={Yu, Lequan and Wang, Shujun and Li, Xiaomeng and Fu, Chi-Wing and Heng, Pheng-Ann},
  booktitle={MICCAI},
  year={2019}
}

@inproceedings{luo2021semi,
  title={Semi-supervised medical image segmentation through dual-task consistency},
  author={Luo, Xiangde and Chen, Jieneng and Song, Tao and Wang, Guotai},
  booktitle={AAAI},
  year={2021}
}

# ... 其他引用格式

💡 未来发展方向

技术趋势

多模态融合：结合不同成像模态的互补信息
轻量化设计：降低计算复杂度，适应临床部署
可解释性增强：提高模型决策的可解释性
领域自适应：跨数据集、跨设备的泛化能力
主动学习结合：智能选择最有价值的样本进行标注

应用扩展

实时分割：手术导航和实时诊断
多器官联合分割：全身器官同时分割
时序数据处理：4D医学图像分析
跨模态分割：不同成像技术间的知识迁移

🤝 贡献指南

欢迎为这个仓库贡献新的方法、改进建议或bug修复！

贡献方式

Fork 本仓库
创建您的特性分支 (git checkout -b feature/AmazingFeature)
提交您的更改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
打开一个 Pull Request

新方法添加格式

请按照以下格式添加新方法：

### 方法名称

> **论文链接**: [标题](链接)  
> **GitHub仓库链接**: [标题](链接)  
> **发表年份**: 年份 会议/期刊

#### 核心创新
- 主要技术创新点

#### 实验结果
- 关键性能数据

📄 许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。

📞 联系方式

如有任何问题或建议，请通过以下方式联系：

📧 Email: Zihao
🐛 Issues: GitHub Issues

⭐ 如果这个仓库对您有帮助，请给个Star支持一下！

Name		Name	Last commit message	Last commit date
README-EN.md		README-EN.md
README.md		README.md

Latest commit

History

Folders and files

Repository files navigation

半监督医学图像分割方法合集

📖 研究方向介绍

🎯 研究背景

🔧 核心技术框架

🏥 应用场景

📚 论文方法概览

📋 详细方法介绍

Mean Teacher (MT)

核心创新

技术细节

实验结果

UA-MT (Uncertainty-Aware Mean Teacher)

核心创新

关键技术

实验结果

DTC (Dual-Task Consistency)

核心创新

技术特点

实验结果

UPC (Uncertainty-aware Pseudo-label and Consistency)

核心创新

技术优势

实验结果

MCF (Mutual Correction Framework)

核心创新

技术亮点

实验结果

BCP (Bidirectional Copy-Paste)

核心创新

技术优势

实验结果

CML (Cross-View Mutual Learning)

核心创新

技术核心

实验结果

AC-MT (Ambiguity-Consensus Mean Teacher)

核心创新

实验结果

DyCON (Dynamic Uncertainty-aware Consistency)

核心创新

技术亮点

实验结果

V-Net

核心创新

技术意义

实验结果

🔍 方法对比与分析

性能对比表

技术演进脉络

方法分类

🎯 按核心技术分类

🏆 按创新点分类

📊 应用数据集

常用数据集介绍

🚀 使用建议

方法选择指南

实现建议

📖 引用格式

💡 未来发展方向

技术趋势

应用扩展

🤝 贡献指南

贡献方式

新方法添加格式

📄 许可证

📞 联系方式

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors