[论文解读] Scale-aware Adaptive Supervised Network with Limited Medical Annotations

Zihan Li, D. C. Shan+3 more|arXiv (Cornell University)|Jan 2, 2026

COVID-19 diagnosis using AI被引用 0

一句话总结

SASNet 是一个双分支半监督医疗图像分割模型，利用尺度感知自适应再加权和视图方差增强，在标注有限的情况下提升分割效果，在 LA、Pancreas-CT 和 BraTS 数据集上达到最新研究水平。

ABSTRACT

Medical image segmentation faces critical challenges in semi-supervised learning scenarios due to severe annotation scarcity requiring expert radiological knowledge, significant inter-annotator variability across different viewpoints and expertise levels, and inadequate multi-scale feature integration for precise boundary delineation in complex anatomical structures. Existing semi-supervised methods demonstrate substantial performance degradation compared to fully supervised approaches, particularly in small target segmentation and boundary refinement tasks. To address these fundamental challenges, we propose SASNet (Scale-aware Adaptive Supervised Network), a dual-branch architecture that leverages both low-level and high-level feature representations through novel scale-aware adaptive reweight mechanisms. Our approach introduces three key methodological innovations, including the Scale-aware Adaptive Reweight strategy that dynamically weights pixel-wise predictions using temporal confidence accumulation, the View Variance Enhancement mechanism employing 3D Fourier domain transformations to simulate annotation variability, and segmentation-regression consistency learning through signed distance map algorithms for enhanced boundary precision. These innovations collectively address the core limitations of existing semi-supervised approaches by integrating spatial, temporal, and geometric consistency principles within a unified optimization framework. Comprehensive evaluation across LA, Pancreas-CT, and BraTS datasets demonstrates that SASNet achieves superior performance with limited labeled data, surpassing state-of-the-art semi-supervised methods while approaching fully supervised performance levels. The source code for SASNet is available at https://github.com/HUANGLIZI/SASNet.

研究动机与目标

• 在医疗成像中动机化少量专家标注下的分割。
• 开发一个利用多尺度特征实现鲁棒分割的双分支网络。
• 引入尺度感知自适应重加权以用置信度感知权重融合分支预测。
• 通过视图方差增强模拟标注变异性以提高鲁棒性。
• 在 LA、Pancreas-CT 和 BraTS 数据集上展示有效性并与最先进方法比较。

提出的方法

• 提出带有共享编码器和两个解码器（低层次与高层次特征解码）的 SASNet。
• 引入 Scale-Aware Adaptive Reweight (SAR)，通过跨时期的置信度对像素级预测进行加权。
• 通过 3D 傅里叶域变换实现 View Variance Enhancement，以在视图和尺度上模拟标注变异性。
• 采用 Segmentation-Regression Consistency Learning，使用 Signed Distance Maps (SDM) 来细化边界精度。
• 以混合目标函数进行训练，包括有限标注监督、伪标签互监督，以及分割-回归一致性目标。
• 通过 SAR 计算最终的集成预测，并通过 SDM 基于一致性来监督回归分支。

实验结果

研究问题

• RQ1 SASNet 是否能在有限标注数据下在多种医疗数据集上提升分割性能？
• RQ2 尺度感知自适应加权和视图方差策略是否增强对标注变异性与小目标边界的鲁棒性？
• RQ3 在半监督学习中，SDM 的分割-回归一致性如何帮助提升边界精度？

主要发现

• SASNet 在 LA、Pancreas-CT 和 BraTS 上，当标注数据稀缺时，优于现有半监督方法。
• 在 LA 仅有 10% 标注数据时，SASNet 的 Dice 为 89.62%，Jaccard 为 81.33%，HD95 为 6.59 像素，ASD 为 1.89 像素。
• 在 LA 仅有 20% 标注数据时，SASNet 的 Dice 为 91.82%，Jaccard 为 84.93%，HD95 为 4.63 像素，ASD 为 1.42 像素。
• 在 Pancreas-CT 仅有 10% 标注数据时，SASNet 的 Dice 为 76.38%，Jaccard 为 62.84%，HD95 为 13.47 像素，ASD 为 1.82 像素。
• 在 Pancreas-CT 仅有 20% 标注数据时，SASNet 的 Dice 为 81.60%，Jaccard 为 69.39%，HD95 为 11.25 像素，ASD 为 1.81 像素。