非造影CT血管分割的高斯伪标签弱监督学习方法

1. 项目背景与核心挑战

在医学影像分析领域，血管结构分割一直是临床诊断和手术规划的关键环节。非造影CT（Non-contrast CT）由于无需注射造影剂，减少了患者过敏风险和肾功能负担，成为许多常规检查的首选。然而，这种成像方式下的血管对比度显著降低，尤其是对于椭圆形截面的血管（如颈动脉、椎动脉等），传统分割方法往往表现不佳。

我曾在三甲医院影像科参与过为期两年的智能辅助诊断系统开发，深刻体会到标注医学数据的昂贵性。一位资深放射科医师标注一套完整的脑血管CT数据集平均需要40-50小时，而合格的标注结果需要至少两位医师交叉验证。这种强监督学习（Strongly Supervised Learning）对标注质量的苛刻要求，成为制约深度学习技术在医学影像领域落地的最大瓶颈。

2. 技术方案创新点解析

2.1 高斯伪标签的核心机制

本文提出的高斯伪标签（Gaussian Pseudo Labeling）技术，本质上是一种改进的师生模型（Teacher-Student Framework）迭代优化策略。与传统伪标签方法不同，其创新点主要体现在三个维度：

1. 概率分布建模：对教师模型输出的概率图进行高斯核卷积，将原始的硬标签（0/1二值）转化为具有空间连续性的概率分布。我在肝脏CT分割项目中实测发现，这种处理能使伪标签在血管边缘区域保留更多不确定性信息，避免错误标注的累积放大。

2. 动态置信度阈值：根据血管直径自适应调整置信度阈值。对于大血管（直径>5mm）采用较高阈值（0.9），小血管（直径<3mm）降低至0.7。这个参数设置来源于我们对200例颈动脉CTA的统计分析——直径3mm以下血管在非造影CT中的平均灰度对比度仅为25-35HU。

3. 形状先验约束：针对椭圆形血管的几何特性，在损失函数中加入基于Hough变换的椭圆度正则项。具体实现时，我们采用如下公式计算形状损失：

   python复制def ellipse_loss(pred, target):
       # 预测结果椭圆检测
       pred_ellipses = hough_ellipse(pred.numpy())
       # 真实标签椭圆检测  
       target_ellipses = houg