摘要#

Medical image segmentation presents a formidable challenge, compounded by the scarcity of annotated data in numerous datasets. Semi-supervised methods offer viable solutions to mitigate that, while the image generation capability of diffusion models has shown potential in capturing semantically meaningful information. This paper introduces Multi-Consistency for semi-supervised medical image Segmentation via Diffusion Models (MCSD). We propose a Diffusion-based Feature-guided Module (DFM) that extracts features from pre-trained diffusion models and uses multi-scale features to guide multi-consistency segmentation networks. Additionally, we introduce the Dual-branch Image Consistency (DIC) strategy, which performs multi-consistency learning by generating two independent strong augmented images and optimizing the network by encouraging consistency between strong and weak inputs at multiple levels of features and images. Our method outperforms current approaches, demonstrating its effectiveness in semi-supervised medical image segmentation through experimental results for various labeled data ratios. Furthermore, this work points out the potentiality of diffusion models in semi-supervised medical image segmentation and offers suggestions for improving their use in medical imaging tasks. The code is available at https://github.com/yunzhuC/MCSD

翻译#

医学图像分割提出了一个巨大的挑战，加上在众多数据集中缺乏带注释的数据。半监督方法为缓解这一问题提供了可行的解决方案，而扩散模型的图像生成能力在捕获语义上有意义的信息方面显示出了潜力。介绍了基于扩散模型的半监督医学图像分割的多一致性算法。我们提出了一种基于扩散的特征引导模块(DFM)，该模块从预训练的扩散模型中提取特征，并使用多尺度特征来指导多一致性分割网络。此外，我们引入了双分支图像一致性(Dual-branch Image Consistency, DIC)策略，该策略通过生成两个独立的强增强图像来执行多一致性学习，并通过在多个级别的特征和图像上鼓励强弱输入之间的一致性来优化网络。我们的方法优于目前的方法，通过对各种标记数据比率的实验结果证明了其在半监督医学图像分割中的有效性。此外，本工作指出了扩散模型在半监督医学图像分割中的潜力，并提出了改进其在医学成像任务中的应用的建议。代码在https://github.com/yunzhuC/MCSD

研究背景#

医学图像分割在临床诊断中至关重要，但标注数据稀缺严重制约其发展。半监督学习通过结合少量标注数据与大量未标注数据缓解该问题，其中一致性正则化方法通过对输入施加扰动来增强模型鲁棒性，但现有方法多局限于图像级扰动，未充分挖掘多尺度特征信息。扩散模型作为先进生成模型，能捕获丰富语义信息并已成功应用于医学影像生成、重建等任务，但其在半监督分割中的潜力尚未完全释放。现有研究多使用固定尺度扩散特征，忽略了多尺度任务特异性语义，且未实现图像与特征层面的多一致性学习。因此，本文提出基于扩散模型的多一致性半监督分割方法（MCSD），旨在通过多尺度扩散特征引导和双分支图像一致性策略，突破传统扰动限制，提升模型在有限标注数据下的分割性能。

研究现状#

3. 现有方法局限性#

• 扰动空间有限：多数方法仅在图像层面施加扰动（如裁剪、颜色变换），未探索特征级或跨层级的扰动组合。
• 扩散模型利用不足：对扩散模型的特征挖掘多停留在单一层级或时间步，未整合多尺度、多时间步的语义信息。

提出的模型#

实验（Compared with SOTA）#

1. 数据集

   • ACDC数据集：含100例心脏MRI影像，分割目标为右心室（RV）、左心室（LV）和心肌（MYO），按70:10:20划分训练/验证/测试集，分别采用5%（3例）、10%（7例）、20%（14例）标注数据比例进行实验。
   • M&Ms数据集：含320例多中心心脏MRI影像，来自6个临床中心和4种扫描仪，分割目标为左心室和心肌，按7:2:1划分训练/验证/测试集，采用3%（5例）、5%（10例）标注数据比例。

2. 基线方法 对比6种半监督分割方法：

• 一致性正则化方法：UA-MT、URPC、CPS
• 协同训练方法：CNN & Trans、MC-Net+、BCP

• 优势：在多中心、多设备数据上，MCSD的Dice比最佳基线SC-SSL提升1.3%-1.9%，验证了其泛化能力。

实验（Ablation Experiments）​​#

• DFM（扩散特征引导模块）提升特征级一致性，Dice提升13.3%；
• DIC（双分支图像一致性策略）增强图像级扰动鲁棒性，Dice提升17.4%；
• 两者结合实现最优性能，验证多尺度一致性设计的有效性。

参数敏感性分析#

1. 扩散模型特征提取（表6、7）
   • U-Net块选择：解码器第2、4、6块特征最优（Dice=89.98%），浅层特征包含更丰富的语义信息。
   • 时间步选择：反向扩散过程的50、150、250步特征最优（95HD=1.25），平衡噪声与语义细节。
2. 特征维度与置信阈值（表8、图5）
   • 特征维度降至30时性能最优（Dice=89.98%），兼顾计算效率与表征能力；
   • 置信阈值τ=0.9时过滤不可靠伪标签，模型稳定性最佳。

结论#

本文提出了一种基于扩散模型的多一致性半监督医学图像分割模型（MCSD），主要结论如下：

1. 方法创新：
   • 提出扩散特征引导模块（DFM），从预训练扩散模型中提取多尺度特征，用于指导多一致性分割网络
   • 设计双分支图像一致性（DIC）策略，通过生成两个独立的强增强图像，在特征和图像多个层级上优化网络一致性
2. 核心贡献：
   • 突破传统仅依赖图像级扰动的局限，实现图像-特征多层级一致性正则化
   • 利用扩散模型捕获医学图像内在层次结构，通过多尺度特征拼接提供丰富语义信息
   • 引入CutMix数据增强技术创建新训练样本，增强模型对数据分布的理解能力
3. 实验验证：
   • 在ACDC和M&Ms两个 cardiac MRI 数据集上，以5%-20%标记数据比例，超越UA-MT、URPC、CPS等6种前沿方法
   • 10%标记数据下，ACDC数据集Dice系数达89.98%（较BCP提升1.25%），95HD降至1.25 voxels
   • M&Ms多中心数据集上，3%标记数据时Dice达82.72%，验证模型对数据分布差异的鲁棒性
4. 方法有效性：
   • 消融实验表明DFM和DIC模块分别贡献2.51%和4.08%的Dice提升
   • 扩散特征维度优化实验确定30维为最优特征维度，平衡模型性能与计算开销
   • 时间步和U-Net块选择分析显示，50/150/250步和2/4/6块组合能提取最有效语义特征
5. 应用价值：
   • 为医学影像领域提供了利用扩散模型进行判别式任务的新范式
   • 在标注数据稀缺场景下仍保持高性能，降低临床数据标注成本
   • 对多中心、多设备医学影像具有良好适应性，为跨机构协作研究提供技术支持

研究局限性在于扩散模型的时间步和网络层选择等设计参数需针对不同分割任务优化，未来将拓展至脑结构和肿瘤分割等更具挑战性的场景。