当前位置：首页>南昌>IF15.1!南昌大学第一附属医院陈尚祥教授团队获双一区TOP刊!基础模型引导半监督学习破解肝肿瘤CT标注困境!

IF15.1!南昌大学第一附属医院陈尚祥教授团队获双一区TOP刊!基础模型引导半监督学习破解肝肿瘤CT标注困境!

2026-02-12 13:51:59

点击蓝字

关注我哦~

引言

各位主任院长杰青，大家好呀!

今天小编分享的这篇文章是2025年12月29日在期刊《Npj Digital Medicine》（医学一区，IF=15.1）上发表题为:

“Foundation model-guided multi-view semi-supervised CT segmentation of liver tumors inresource-constrained settings”

这篇文章探讨了在标注数据稀缺的临床环境下，如何通过基础模型引导的多视角协同学习实现肝脏肿瘤CT影像的精准自动分割。旨在解决传统分割方法对大量标注数据的依赖问题，通过融合三维空间信息与半监督学习机制，为肝癌诊断和治疗规划提供高效可靠的技术支持。

中文标题：基础模型引导的资源受限环境下肝脏肿瘤多视图半监督CT分割

发表期刊：Npj Digital Medicine

发表时间：2025年12月29日

影响因子：15.1/Q1

GBD数据挖掘没头绪？多组学课题卡壳？

CHARLS数据不会整合分析？

想复刻高分文章？

关注 + 后台咨询

手把手教你数据挖掘+操作指南！

解锁同款分析套路！

研究背景

肝脏恶性肿瘤是全球癌症主要死因，增强CT是临床评估金标准。传统深度学习模型依赖大量标注数据，而医学标注成本高昂。基础模型虽缓解数据稀缺问题，但其依赖人工提示且忽视三维空间连续性，限制了全自动分割的临床应用。本研究旨在突破这一瓶颈。

数据与方法

图1.研究框架概述

1️⃣数据来源：采用公开LiTS数据集，包含多中心CT扫描，划分100例训练、33例验证，标注样本数设为1/3/5/10/20模拟稀缺场景。

2️⃣模型设计：以3D U-Net为骨干，结合均值教师框架与SAM-Med3D基础模型，通过多视角（轴状、冠状、矢状面）协同学习融合空间信息。

3️⃣训练策略：利用基础模型生成高质量伪标签，通过Dice损失与交叉熵损失优化模型，减少对人工标注的依赖。

4️⃣评估指标：综合Dice系数、Jaccard指数、ASD和95HD量化区域重叠与边界误差。

研究思路

1️⃣核心问题：解决标注稀缺下全自动分割的挑战，避免基础模型对人工提示的依赖。

2️⃣创新点：将基础模型先验作为正则化器，通过多视角推理抑制单视角噪声，提升三维一致性。

3️⃣技术路径：训练阶段集成基础模型知识，推理阶段仅调用轻量模型，实现高效部署。

4️⃣应用目标：平衡精度与计算成本，满足资源受限临床场景需求。

结果解读

01
标注效率分析

通过箱形图和小提琴图分析表明，本文方法在极端标注稀缺场景（1-5样本）下Dice值分布更集中、波动更小，展现出优异的稳定性和可靠性。随着标注数据增加，其性能提升曲线显著优于传统方法，证明能高效利用有限标注信息，在低资源环境中实现稳健分割性能（图2）。

图2.不同分割模型在不同数量的标注案例下不同评估指标的性能比较

02
视觉质量对比

视觉对比验证了本文方法在分割质量上的显著优势，有效避免了传统方法的过度分割、小肿瘤漏检等错误。其生成结果与金标准高度一致，边界清晰度和解剖结构保持优异，为临床手术规划和疗效评估提供了可靠依据（图3）。

图3.代表性案例的可视化分析

03
三维重建验证

三维重建结果的对比验证了方法在体积空间中的连续性保持能力。左侧金标准与右侧预测结果的高度吻合，不仅体现在整体形状的准确性上，更表现在细小结构的完整保留方面。肿瘤结节的空间定位精确，体积计算与真实值高度一致，这为术前规划和定量评估提供了可靠的三维数据基础（图4）。

图4.所提方法与真实体数据的3D重建结果的可视化对比

04
基础模型架构

SAM-Med3D的纯三维架构设计为其在体积数据处理中的优越性能奠定了基础。图像编码器的patch嵌入机制与三维位置编码的结合，确保了空间信息的有效捕获。提示编码器对稀疏和密集提示的处理能力，以及掩码解码器的特征融合机制，共同构成了高质量的伪标签生成基础，为任务专用模型的训练提供了可靠的监督信号（图5）。