[CVPR 2025] DiCo：动态协作网络助力半监督3D血管分割新突破
CVPR 2025 | DiCo：动态协作网络助力半监督3D血管分割新突破
论文信息
- 标题：Learning Dynamic Collaborative Network for Semi-supervised 3D Vessel Segmentation
- 作者：Jiao Xu, Xin Chen, Lihe Zhang
- 单位：大连理工大学、香港城市大学
- 会议：CVPR 2025
- 代码：https://github.com/xujiaommcome/DiCo
背景简介
3D医学影像中，血管分割对于辅助临床诊断和疾病监测至关重要。然而，血管结构细长、形态多变，且高质量标注数据稀缺，导致3D血管分割任务面临以下挑战：
- 标注数据稀缺：专业标注成本高，数据有限。
- 结构复杂：血管结构连贯且细长，易出现断裂或伪影。
- 现有半监督方法局限：主流Mean Teacher等方法采用固定师生身份，但在3D血管等复杂场景下，教师模型不一定始终优于学生，容易产生“认知偏差”，影响分割效果。
创新方法
本文提出动态协作网络（DiCo），聚焦半监督3D血管分割，主要创新点如下：
-
动态师生切换
- 不再固定师生身份，而是根据每轮训练中在有标注数据上的表现，动态决定哪个子网络作为Teacher、哪个作为Student，从而减少错误传播和模型“认知偏差”。
- 不再固定师生身份，而是根据每轮训练中在有标注数据上的表现，动态决定哪个子网络作为Teacher、哪个作为Student，从而减少错误传播和模型“认知偏差”。
-
多视角集成模块
- 模仿医生诊断的多视角思路，对输入体数据进行局部与全局视角重组，显著增强模型对局部细节和整体结构的建模能力。
- 模仿医生诊断的多视角思路，对输入体数据进行局部与全局视角重组，显著增强模型对局部细节和整体结构的建模能力。
-
MIP对抗监督
- 通过最大强度投影（MIP）将3D体数据投影成2D，引入判别器进行对抗训练，使无标注数据的分割结果在“形状风格”上更加接近真实标注，提升血管结构连续性和形态质量。
- 通过最大强度投影（MIP）将3D体数据投影成2D，引入判别器进行对抗训练，使无标注数据的分割结果在“形状风格”上更加接近真实标注，提升血管结构连续性和形态质量。
框架结构
- 核心架构：包含一个卷积子网络（如VNet）和一个Transformer子网络（如UNETR），二者动态协作、互为师生。
- 输入端：多视角集成模块对3D体数据进行多局部块+整体重组，强化多层次特征。
- 输出端：MIP投影下的对抗判别，约束无标签分割预测的形态分布。
- 损失函数：联合Dice、CE损失，配合对抗损失和无监督损失，优化分割质量。
实验结果
- 在ImageCAS、CAS2023、Parse2022等主流3D血管分割数据集上，DiCo仅用5%标注数据，即取得了优于所有现有半监督方法的性能，在主指标DSC上分别达到73.79%、86.05%、70.93%。
- 对比全监督方法，DiCo以极少标注数据实现了媲美甚至超越部分全监督模型的表现，数据利用率极高。
- 可视化分析显示，DiCo在血管细节、结构连贯性方面表现更优，伪影和断裂明显减少。
消融与分析
- **动态协作机制（DiCo）**相较于传统静态Mean Teacher（MT）平均提升7.16% DSC。
- 多视角集成与MIP对抗监督均进一步提升分割性能，三者组合效果最佳。
- 2D投影对抗优于直接3D对抗，有效缓解了3D数据下对抗训练的过拟合风险。
总结与展望
DiCo提出了动态师生协作+多视角集成+MIP对抗监督的新范式，为半监督3D医学图像分割，特别是复杂血管结构的建模，提供了更高效、鲁棒的解决思路。未来有望进一步拓展到其他器官、病变的3D图像分割等场景，为医学AI赋能精准医疗提供新动能。
项目地址：https://github.com/xujiaommcome/DiCo
欢迎关注，获取更多CVPR 2025前沿AI医学论文解读！