基于双尺度不确定性估计与图推理的胸部CT肺炎半监督分割新方法GRMA-Net及其临床价值

　　本研究针对胸部CT中肺炎病灶分割标注成本高及未标注数据利用难的挑战，提出了一种基于双尺度不确定性估计与图推理的两阶段半监督分割框架GRMA-Net。该方法通过引导式监督训练策略减少模糊病灶边界引起的认知不确定性，采用多尺度伪标签校正提升预测可靠性，并结合特征交互图推理（FIGR）与注意力机制增强小感染区域特征捕获能力。在MosMedData数据集上验证显示，Dice、Jaccard、NSD和ADB分别提升1.25%、1.03%、2.98%和0.59%，为肺炎精准诊断提供重要技术支撑。

　　

本研究旨在提出并评估一种创新的两阶段半监督分割框架，该框架集成双尺度不确定性估计与图推理技术，以解决高精度像素级标签获取困难及未标注数据有效利用的挑战。首先，研究设计了引导式监督训练策略，在双尺度上对偶然不确定性(Aleatoric Uncertainty, AU)进行建模，以减轻图像中病灶模糊及边界不清晰导致的分割性能干扰。其次，开发了多尺度噪声伪标签校正训练策略，用于缓解模型不可靠预测引发的认知偏差问题。最后，创新性地结合了融合特征交互图推理(Fused Feature Interaction Graph Reasoning, FIGR)与注意力模块，使网络模型能够更精准地捕捉小范围感染区域的图像特征。

实验结果表明，在MosMedData公开数据集上的验证显示，所提算法在Dice系数、Jaccard指数、标准化表面 Dice(Normalized Surface Dice, NSD)及边界平均距离(Average Distance of Boundaries, ADB)四项指标上，相较基线模型分别提升1.25%、1.03%、2.98%和0.59%。

讨论部分指出，该半监督肺炎分割框架通过两阶段多尺度不确定性估计与建模，显著提升了分割性能，有效利用未标注数据并应对不确定性挑战，为肺炎诊断提供临床价值。未来工作将聚焦于生成对抗网络(GAN)数据合成与架构优化，以应对泛化性与计算效率方面的现存挑战。

结论强调，本算法在临床实践领域具有深远的重要性与应用价值。

关键词包括：半监督学习(Semi-supervised Learning)、不确定性估计(Uncertainty estimate)、图推理(Graph reasoning)、医学图像分割(Medical image segmentation)、均值教师(Mean teacher)、NSD。