肾小球超微结构的半监督语义分割方法

摘要

肾小球超微结构的精准识别对慢性肾脏病诊断至关重要，但高质量标注数据的获取成本限制了全监督学习的应用。为此，提出一种基于SAM(Segment Anything Model)的多类别半监督语义分割框架MC4S-SAM。首先，对SAM的掩码解码器进行改进，使其在无需提示信息的情况下具备多类别语义分割能力；然后，利用改进后的模型通过自训练（Self-training）策略生成并优化伪标签；最后，构建多级一致性正则化约束提升模型性能。实验结果表明，在肾小球系膜区超微结构分割任务中，使用DeepLabV3+作为分割网络，MC4S-SAM在标注数据量占比为1/16时，平均交并比（mIoU）和平均Dice系数（mDSC）分别比全监督模型提高11.72%和11.45%；在标注数据量占比为1/4时，其mIoU和mDSC分别达到68.91%和78.73%，为慢性肾脏病的辅助诊断提供重要的应用价值。

关键词

医学图像分割 / 半监督学习 / 一致性正则化 / 肾小球超微结构