北京大学第三医院的研究人员开发了一种新的协作框架，该框架集成了各种半监督学习技术，以增强使用未标记数据的MRI分割。这种新方法发表在《健康数据科学》杂志上，它利用先进的深度学习模型，即使在标记数据稀缺的情况下，也能显著提高分割的准确性。

MRI分割在医学成像中起着至关重要的作用，它有助于将MRI图像精确划分为不同的区域或结构。虽然基于深度学习的分割方法已经展示了最先进的性能，但它们通常依赖于大量的标记数据，这些数据既昂贵又耗时。为了解决这一限制，北京大学第三医院副首席技术人员何清远与北京大学研究助理严坤及其同事提出了一种半监督方法，该方法通过伪标记和一致性正则化等多种技术利用未标记数据。

他说：“我们的框架利用了不同半监督学习策略的协同作用，优化了未标记数据的使用，以提高MRI分割的准确性。”“该模型在公共数据集上获得了90.3%和89.4%的高分，证明了其实际临床应用的潜力。”

该研究引入了一个结合伪标记、一致性正则化和其他半监督学习方法的协作框架。该方法通过确保预测在不同的扰动和增强下保持一致，显著增强了MRI分割模型的稳定性和泛化。使用两个公开的MRI数据集（LA和ACDC）对该方法进行了验证，Dice得分分别为90.3%和89.4%，超过了现有方法。

通过对左心房（LA）和自动心脏诊断挑战（ACDC）等数据集的测试，该团队的半监督模型优于传统的监督模型。例如，在只有10%标记数据的情况下，所提出的方法与在100%标记数据上训练的完全监督模型取得了相当的结果。这种效率突出了模型即使在有限的标记信息下也能保持高性能的能力。

展望未来，研究人员计划扩大他们对半监督学习技术的探索，旨在开发更先进的方法，进一步减少对标记数据的依赖。“我们的最终目标是整合额外的半监督学习策略，以获得更好的结果，并将这些技术应用于更广泛的医学成像任务，”严坤（音）说。