基于对抗一致性增强的隐式分割方法，用于弱监督下的3D心脏图像分割

《Medical Image Analysis》：Adversarial-consistency enhanced implicit segmentation field for weakly supervised 3D cardiac image segmentation

　　魏远林|钟俊涛|高志凡|陈金峰|赵继超|吴伟文|徐晨初|史长正|张志辉|刘秀健
中山大学生物医学工程学院，深圳518107，中国

**摘要**
自动获取3D心脏解剖结构在心脏病诊断中起着至关重要的作用。然而，大多数现有的自动方法依赖于成本高昂的像素级密集注释。为了降低标注成本，草图级监督学习提供了一个有前景的解决方案。然而，由于内在相似性和标签稀疏性，使用草图级监督进行准确的心脏分割仍然具有挑战性。为了解决这些问题，我们提出了对抗一致性增强的隐式分割场（ACISF）。ACISF将推理路径从像素空间扩展到坐标空间，并构建了一个隐式函数，以直接在坐标空间内建模语义信息。通过这种方式，隐式函数整合了由心脏腔室之间的相对拓扑关系提供的判别线索，减轻了内在相似性带来的挑战。在此基础上，我们进一步提出了自适应对抗一致性（AAC）来应对标签稀疏性问题。AAC利用对抗学习来近似采样坐标邻域内的底层分布。这种分布为一致性正则化提供了一个自适应的采样范围，避免了手动定义的采样范围的不可靠性。最后，我们在四种类型的草图级注释上进行了广泛的实验。在683名患者上的结果表明，我们的方法优于十种最先进的方法。

**引言**
获取3D心脏解剖结构在心脏病诊断中起着至关重要的作用（Pontone等人，2022年；Schulz等人，2024年）。常见的心脏疾病包括心肌病、结构性心脏病、心力衰竭、先天性心脏病（Pontone等人，2022年；Petersen等人，2023年）等。这些疾病的诊断通常依赖于对不同心脏解剖区域的详细分析。例如，通过检测心室流出道、心尖和三尖瓣区域（发育不良三角形）的静止或运动障碍性膨出来诊断右心室的结构和功能异常（Basso等人，2009年）。此外，可以使用左心室射血分数（EF）来评估心力衰竭的诊断、分类、预后和治疗决策。具体来说，EF ≤40%表示心力衰竭，EF 40?49%定义为中等程度的心力衰竭，EF ≥50%对应于射血分数保留的心力衰竭（Petersen等人，2023年；van der Meer等人，2019年）。然而，3D心脏解剖结构的标注主要依赖于经验丰富的临床医生的手动工作（Andriole等人，2011年；J. Chen等人，2024年；Guo等人，2021年）。这是因为3D心脏图像包含数百个需要标注的切片（Prokop，2003年；Guo等人，2023年）。此外，从单一视图很难确定3D心脏解剖的边界（Andriole等人，2011年）。标注者需要频繁切换视图来进行标注和修改（Galbusera和Cina，2024年）。因此，探索自动提取3D心脏解剖结构的方法是必要的（Lenchik等人，2019年）。然而，大多数现有的自动方法基于完全监督或半监督学习。这些方法依赖于完全标注的数据（Willemink等人，2020年；Jiao等人，2024年）。获取完全标注的数据对临床医生来说是一项繁琐的任务（Andriole等人，2011年；Lin等人，2025年）。尽管像TotalSegmentator这样的完全监督基准测试取得了成功（Wasserthal等人，2023年；Akinci D’Antonoli等人，2025年），但仍存在几个挑战。首先，现有方法主要依赖于离散的体素级表示（CNNs），这些方法在薄心脏壁（如心肌）的边界处固有地受到离散化伪影和细粒度结构细节丢失的影响。其次，密集3D标注的成本过高，当通用模型必须适应具有不同成像协议或非典型心脏病理的特定中心数据集时，这成为一个障碍。

**弱监督学习**是一种有前景的方法，可以减少标注时间和成本。它只需要少量的稀疏注释，例如图像级（Fan等人，2020年）、框级（Dai等人，2015年）或草图级注释（Han等人，2023年）等（Shen等人，2023年）。这些稀疏注释显著降低了临床医生的标注成本（Shen等人，2023年）。然而，图像级和框级注释不适合标注3D心脏图像。首先，图像级注释依赖于样本之间的标签差异来推断目标的大致位置（Shen等人，2023年）。因此，它们对于所有样本标签一致的心脏分割任务无效（即要分割的腔室）。其次，框级注释通常用于标注形状简单的对象（Chen和Hong，2022年）。然而，心脏的形态在不同切片之间差异显著（Dai等人，2015年）。结果，边界框可能包含大量背景像素。最后，与前两种类型的稀疏注释不同，草图级注释方便且高效地标注多样化的结构形状（Lin等人，2016年）。此外，它们提供了准确的类别和位置信息（Wu等人，2023年）。鉴于这些优势，我们采用草图级注释来进行弱监督的3D心脏分割任务。此外，如图1(a)所示，我们进一步研究了不同类型草图级注释对模型性能的影响。

**弱监督学习在3D心脏图像中的挑战**主要在于两个因素：图像中的内在相似性和草图级标签的稀疏性。首先，如图1(b)所示，内在相似性指的是图像中不同心脏腔室之间的灰度分布高度一致。这是由于腔室本身的密度特性和成像机制造成的（J. Chen等人，2024年）。因此，腔室之间的对比度有限，使得模型难以提取用于准确识别的判别线索（He等人，2023年）。其次，标签稀疏性表明草图级注释仅提供了有限的监督。这种有限的监督使得捕获腔室之间的对比信号变得困难，从而进一步削弱了模型在训练过程中的判别能力。

**弱监督学习方法**主要关注解决标签稀疏性问题。尽管它们取得了有希望的结果，但这些策略仍有局限性。例如，伪标签学习采用了一种类似两轮自我训练的机制，根据预测选择密集的伪标签（Luo等人，2022年；Han等人，2024年）。然而，这些伪标签通常包含大量噪声。这种噪声可能会误导后续的模型优化。一致性学习在不同数据增强下强制输出一致性（Mey和Loog，2022年；Zhang和Zhuang，2022年；Han等人，2023年）。其有效性受到数据增强的限制。然而，增强范围通常是手动定义的。不幸的是，如图2所示，手动定义的范围不可靠：较大的范围可能会扭曲语义，而较小的范围可能会限制模型优化（Shen等人，2023年）。此外，由于这些方法忽略了心脏腔室之间的内在相似性，它们通常会导致不同解剖区域内的预测噪声。

在本文中，我们提出了用于弱监督3D心脏分割的对抗一致性增强的隐式分割场（ACISF）。ACISF将推理路径从离散的像素空间扩展到连续的坐标空间，如图1(c)所示。在坐标空间中，心脏腔室显示出清晰的相对拓扑关系（Anderson等人，2004年）。因此，ACISF构建了一个隐式函数，以直接在坐标空间内建模语义信息。通过这种方式，它整合了由心脏腔室之间的相对拓扑关系提供的判别线索，以克服内在相似性带来的挑战。此外，在该函数中，我们设计了一种自动解码注意力机制，以采样准确可靠的连续表示。这通过整合局部空间关系和语义特征相似性，增强了连续表示的判别能力和结构意识。在此基础上，ACISF进一步提出了自适应对抗一致性来应对标签稀疏性问题。这是一种由对抗学习驱动的一致性正则化方法。具体来说，它通过对抗学习拟合采样坐标邻域内的底层分布。底层分布为一致性正则化提供了一个自适应的采样范围，从而避免了与手动定义的采样范围相关的不可靠性。为了学习底层分布，它将隐式函数中的确定性映射转换为概率映射。基于此，它在标签和特征层面分别施加一致性和多样性，从而拟合了平衡标签一致性和特征多样性的底层分布。然而，预先在稀疏标签上训练的隐式函数缺乏足够的判别能力，导致对抗学习过程中标签级一致性和模式崩溃（Creswell等人，2018年）。为了解决这个问题，我们提出了一种标签增强策略来扩展初始的显式监督信号。它从视觉基础模型中提取粗略标签，并使用超像素响应滤波器对其进行细化。该滤波器结合了超像素的局部结构建模能力和隐式函数的全局空间建模能力，共同优化了初始的增强标签。我们的主要贡献总结如下：
(1) 我们将推理路径从像素空间扩展到坐标空间。在坐标空间中，我们构建了一个隐式函数，以整合相对拓扑关系，从而增强了心脏腔室之间的可区分性。
(2) 我们提出了自适应对抗一致性来应对标签稀疏性问题。它利用对抗学习来估计底层分布，从而为一致性正则化提供了一个自适应的采样范围。
(3) 我们设计了一种标签增强算法来防止对抗学习中的模式崩溃。它从基础模型中提取初始标签，并通过超像素和隐式函数之间的协作优化来过滤噪声。

**实验结果**
在四种类型的草图级注释上的广泛实验表明，ACISF的性能优于十种最先进的方法。

**部分摘录**
**草图级监督医学图像分割**
草图级监督有效地减少了对手工密集的像素级注释的依赖，并在医学图像分割任务中取得了显著的成功。然而，主要挑战在于监督信号的稀疏性（Shen等人，2023年）。为了解决这个问题，一些方法引入了正则化损失来指导模型学习（Grandvalet和Bengio，2004年；Zheng等人，2015年）。例如，(Zheng等人，2015年)将条件随机场（CRFs）与...

**方法**
本节首先定义了必要的数学符号，并介绍了我们ACISF的总体框架，以突出隐式函数Gν在弱监督3D心脏分割任务中的优势。然后，我们详细介绍了我们方法的两个关键组成部分：Gν的参数化和Gν的优化（自适应对抗一致性）。最后，我们指定了网络实现和训练损失。

**数据收集**
本研究使用的数据集包含683张3D心脏CT图像。训练和验证队列（N=533）是在济南大学第一附属医院使用GE Revolution CT和Philips iCT 256扫描仪获得的。相比之下，独立测试队列（N=150）来自陆军医科大学西南医院，主要使用Siemens Somatom Force扫描仪。采集协议遵循临床常规，管电压为100–120 kV和切片...

**结论**
在本文中，我们提出了用于弱监督3D心脏分割的对抗一致性增强的隐式分割场（ACISF）。ACISF将推理路径从离散的像素空间扩展到连续的坐标空间。在坐标空间中，它构建了一个隐式函数，以整合心脏腔室之间的相对拓扑关系提供的判别线索。为了优化隐式函数，我们引入了自适应对抗一致性。

**作者贡献声明**
魏远林：形式分析、调查、验证、写作——审阅与编辑。
钟俊涛：写作——审阅与编辑、原始草稿撰写、可视化、验证、软件、方法论、调查、数据管理、概念化。
高志凡：资金获取、数据管理、概念化。
陈金峰：数据管理。
赵继超：资源、项目管理。
吴伟文：软件、项目管理、数据管理。
徐晨初：项目管理。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。