摘要
通过磁共振成像对脑肿瘤进行精准分割，对于计算机辅助诊断、治疗规划以及疾病监测而言至关重要。然而，脑肿瘤通常具有不规则、异质性且多尺度的空间结构，其边界也极为复杂模糊。同时，深度分割模型的性能往往受到体素级标注数据不足的限制，这类数据的获取既昂贵又耗时。为解决这些难题，本文提出了Semi-SwinUNeTR，这是一种适用于标注数据有限的3D脑肿瘤分割的半监督框架。该方法以SwinUNeTR作为分割核心，通过移位窗口自注意力机制实现分层体积表示学习，同时保留了密集预测所需的编码器-解码器结构。在此基础上，我们引入了一种双重一致性半监督学习策略，包括基于均值教师的模型一致性以及基于插值一致性的数据一致性。此外，还通过体素级一致性权重，将半监督监督机制重新分配到结构复杂、边界不规则的肿瘤区域，而无需改变SwinUNeTR的核心结构。在BraTS 2019基准测试中的实验表明，该框架在不同标注比例下都能展现出优异的性能。原始的Semi-SwinUNeTR在10%、20%、40%和80%的标记数据比例下，对应的Dice分数分别为84.93%、86.25%、87.05%和87.83%。而在引入加权一致性机制后，这些分数分别提升到了85.64%、87.94%和88.59%，与此同时，相应的HD值则降到了8.9826、8.1854和7.4533。这些结果说明，将SwinUNeTR核心结构与模型一致性、数据一致性以及体素级一致性权重相结合，是一种在标注数据有限的条件下进行半监督体积医学图像分割的有效策略。
