用于标注匮乏的根尖片分析的混合监督范式

在数字化口腔医学中，牙根尖片中解剖结构和病理结构的精确分割至关重要，然而获取充足的人工标注仍是一项重大挑战。本研究旨在开发一种结合自监督和半监督学习的混合框架，以解决牙科根尖片多类别结构分割中的数据标注瓶颈。我们提出了一种将自监督学习与半监督微调相结合的两阶段方法。首先，我们使用基于强度-梯度-局部对比度的掩码自编码器（IGLC-MAE），在74,292张无标注根尖片上进行自监督学习，采用了专为牙科放射成像特征设计的结构化自适应掩码。随后，预训练模型为6,259张无标注图像生成伪标签，并将其与229份人工标注结合，使用Mask2Former进行半监督微调。为了优化该过程，我们系统评估了损失权重配置并引入了自适应加权机制，共同提升了伪标签质量并进一步增强了分割性能。与传统的监督学习方法相比，我们的自监督学习方法在口腔结构分割方面取得了显著改善，Dice得分为73.17%，比最佳监督学习配置高出10.52%。随后，采用伪标签的半监督学习策略进一步提升了性能，在人工标注与伪标签损失的最佳权重比为0.85:0.15时，达到了最高的74.12% Dice得分。自适应半监督策略通过有效抑制低置信度伪标签噪声，使Dice得分额外提高了1.23%。所提出的混合自监督与半监督框架有效解决了标注数据稀缺的难题，并为牙科图像分析提供了一种新的技术途径。我们的方法在最大程度减少对人工标注依赖的同时，在根尖片中实现了优异的分割性能，为医学成像提供了一种具有临床可行性的解决方案。