近日，医学部生物医学工程学院倪东教授团队在国际医学图像分析领域的顶级期刊《IEEE Transaction on Medical Imaging》（影响因子IF=10.6）上，发表了一篇题为“Semi-Supervised Representation Learning for Segmentation on Medical Volumes and Sequences”的高质量论文。深圳大学医学部生物医学工程学院倪东教授和薛武峰副教授为共同通讯作者，生物医学工程学院硕士生陈泽键和大数据系统计算国家工程实验室助理教授卓炜为共同第一作者，深圳大学为唯一署名单位。

3D体数据和序列数据的分隔在疾病诊断、解剖量化、放疗计划、人群研究等临床实践中具有重要的作用，但3D体数据和序列数据的人工标注是一个繁琐且任务量巨大的工作。

本文提出了一个有效的半监督表征学习框架：首先通过充分挖掘解剖结构在3D空间和时域上平稳变化的特性,设计大量无需标注的样本数据进行切片之间（序列数据各个帧之间）的特征预测任务，提高了编码器对局部结构的表征能力；其次，利用医学图像数据前景特征和背景特征之间的差异，设计了半监督局部语义特征对比学习机制的方法，提高解码器的局部结构表征能力。

本文通过在两个体数据分割任务、一个序列数据分割任务以及一个多源体数据分割任务的实验，证明该方法在少量标注样本进行训练的情景下可以实现稳定而准确的高维医学图像解剖结构分割。该方法可以有效缓解分割模型在训练过程中对标注数据的依赖，提高少标注场景下的分割模型性能。

图 本文所提出的表征学习框架。以三维体数据为例，主要包含无监督切片特征预测（Slice Prediction）和半监督语义对比学习（Semantic Contrastive Learning）两部分结构。

研究成果链接：https://ieeexplore.ieee.org/document/10265179