由北京理工大学信息与电子学院博士研究生秦赓、教授李伟、副研究员刘欢等人共同合作完成的医学高光谱半监督分割方面科研成果论文《Semi-Supervised Medical Hyperspectral Image Segmentation Using Adversarial Consistency Constraint Learning and Cross Indication Network》发表于图像处理、分析和理解方面的国际顶级期刊——《IEEE Transactions on Image Processing》(影响因子IF=13.7).
高光谱成像技术凭借同步获取检测对象空间与光谱信息的独特优势，为实现高精度病理图像分割开辟了新范式，在临床病理诊断中展现出重要应用前景。然而，医疗高光谱图像的精准标注依赖专业人员大量投入时间与精力，耗时费力的特性成为制约技术进一步发展的突出瓶颈。因此，构建一种能充分利用未标注数据的半监督学习框架，成为突破这一困境的关键需求。在现有半监督学习方法中，如何有效融合空间-光谱信息以提升分割精度、如何利用未标注数据生成可靠监督信号，是亟待解决的核心问题。传统方法往往难以平衡特征编码的全面性与伪标签的质量，导致在复杂病理场景下分割性能不稳定，难以满足临床对精准分割的严苛要求。
图1 所提出的模型整体架构
针对上述挑战，研究团队提出了对抗一致性约束学习交叉指示网络（ACCL-CINet），如图1所示。通过创新的对抗性一致性约束学习策略，实现了医疗高光谱图像的精准分割。该网络的核心架构包含上下文编码器和结构编码器，二者协同构成空间-光谱特征编码模块，分别从全局上下文和局部结构层面捕捉高光谱数据的关键特征。上下文信息与结构指示信息经交叉指示注意力模块智能聚合后，由像素解码器生成精细化的分割预测结果，确保特征利用的完整性与关联性。
图2 半监督学习训练机制
在半监督训练机制方面（如图2所示），网络创新设计了像素感知一致性模块，通过促使两个并行模型生成一致且低熵的预测结果，强化模型对未标注数据的学习效果；同时，提出像素最大邻域概率对抗约束策略，通过对抗性学习筛选高质量伪标签，为交叉监督训练提供可靠的监督信号，有效提升了模型在有限标注数据下的泛化能力。
研究团队在多个公共医疗高光谱数据集进行了测试，实验结果表明，所提出的ACCL-CINet分割性能显著优于当前最先进的半监督方法。尤其在标注数据稀缺的场景下，该网络仍能保持稳定的高精度分割能力，为解决医疗高光谱图像标注难题提供了切实可行的技术方案，也为高光谱成像技术在胆管癌、口腔鳞癌等临床病理分析中的规模化应用奠定了重要基础。
论文DOI: 10.1109/TIP.2025.3598499
