4. 半监督学习基本范式
在医学影像分割与分类任务中，标注成本极高：一位放射科医师勾画一例肝脏肿瘤边界往往需要 10～30 分钟，而同一批未标注的 CT/MR 数据却可以成百上千地获得。半监督学习（Semi-Supervised Learning, SSL）正是利用“少量标注 + 大量未标注”这一现实分布的核心技术路线。本节围绕四类基本范式——一致性正则、伪标签、熵最小化与生成式方法——讨论它们在医学影像中的适配方式、关键参数与常见陷阱。
一、一致性正则：让扰动下的预测保持稳定
一致性正则（Consistency Regularization）的核心假设是：对同一张未标注图像施加两种不改变语义的扰动，模型应给出相近的预测。医学影像中“不改变语义”的扰动包括：随机旋转（±15°）、弹性形变、灰度伽马变换、加性高斯噪声、通道丢弃，以及针对 MRI 的偏置场扰动。需要特别注意的是，翻转、旋转在肝脏、肺等对称器官上安全，但在心脏、脊柱等具有明确左右/上下解剖语义的部位可能破坏标签一致性，因此扰动集合必须按解剖部位裁剪。
典型实现是 Mean Teacher：学生网络接收强扰动，教师网络接收弱扰动，教师权重由学生权重的指数滑动平均（EMA）更新，衰减系数常取 0.99～0.999。损失由两部分组成：标注数据上的监督损失 L_sup，以及未标注数据上学生与教师预测的一致性损失 L_con（常用均方误差或 Dice 一致性）。总损失可写为 L = L_sup + λ(t)·L_con，其中 λ(t) 采用高斯上升（ramp-up）策略，例如在前 40 个 epoch 内从 0 线性升至 1，避免训练早期教师预测不可靠时被错误约束。
二、伪标签：自训练在医学场景的落地
伪标签（Pseudo-Labeling）用当前模型对未标注数据生成“硬标签”，再将其当作真实标签参与训练。医学影像中直接使用 argmax 硬标签风险较大，因为肿瘤边界处模型置信度低，错误伪标签会被反复强化。更稳妥的做法是：
- 设置置信度阈值 τ（如 0.9），仅保留高置信像素；
- 对边界区域采用软标签（soft label）或忽略（ignore index）；
- 使用类别平衡采样，防止背景像素主导伪标签分布；
- 每轮重新生成伪标签（online pseudo-label），而非一次性固化。
一个可参考的教学示例：在 30 例标注 + 300 例未标注的肝脏 CT 分割任务中，初始模型仅用 30 例训练得到 Dice 0.72；加入置信度阈值 0.9 的伪标签后，第二轮 Dice 提升至 0.79，第三轮达到 0.81 后趋于饱和。若阈值降至 0.7，Dice 反而下降至 0.76，说明低置信伪标签引入了噪声。该数值为教学假设示例，实际结果依赖数据与网络。
三、熵最小化：推动决策边界远离数据
熵最小化（Entropy Minimization）不依赖人工伪标签，而是直接对未标注样本的预测概率分布施加低熵约束，使模型输出更“尖锐”。在医学影像中，这等价于鼓励模型在未标注区域给出接近 0 或 1 的概率，从而让决策边界穿过低密度区域。实现上通常加入熵损失 L_ent = -Σ p·log p，权重常取 0.1～0.5。熵最小化与伪标签关系密切：伪标签可视为熵最小化的硬版本，而熵最小化是软版本，梯度更平滑，适合边界模糊的病灶。
四、生成式方法：从数据分布中借力
生成式半监督方法（如 VAE、GAN、扩散模型）通过建模数据分布 p(x) 来辅助判别任务。医学影像中的适配方式主要有三类：
- 生成伪样本：用 GAN 合成带病灶的 CT 切片，扩充标注集，但需控制合成样本的解剖合理性；
- 共享隐空间：VAE 编码器与分割网络共享特征，使隐变量同时承载重建与分割信息；
- 扩散模型做数据增强：以扩散模型生成不同噪声水平下的图像，作为一致性正则的强扰动来源。
生成式方法在医学影像中的主要风险是“生成失真”：合成图像可能包含不存在的解剖结构，导致模型学到虚假相关性。因此通常要求生成样本经过放射科医师抽检，或使用解剖约束（如器官形状先验）过滤。
五、四类范式的医学适配对比
| 范式 | 核心信号 | 医学适配要点 | 典型风险 |
|---|---|---|---|
| 一致性正则 | 扰动前后预测一致 | 扰动需符合解剖语义，EMA 教师稳定 | 翻转/旋转破坏左右语义 |
| 伪标签 | 高置信预测作为标签 | 阈值 τ≥0.9，边界忽略，在线更新 | 错误伪标签累积放大 |
| 熵最小化 | 预测分布低熵 | 必须配合类别加权或 Dice | 退化为全背景预测 |
| 生成式方法 | 数据分布 p(x) | 解剖约束 + 医师抽检 | 生成失真引入虚假相关 |
六、组合使用与训练闭环
实际医学项目中，四类范式很少单独使用。一个常见的组合策略是：以 Mean Teacher 为骨架，学生网络对未标注数据输出软预测，经阈值 τ=0.9 生成伪标签，同时对该软预测施加熵最小化；生成式扩散模型则用于扩充强扰动样本。训练闭环可概括为：
- 用标注数据预训练 20～30 epoch，得到初始模型；
- 对未标注数据前向推理，保留置信度 ≥ τ 的像素作为伪标签；
- 联合优化 L_sup + λ(t)·L_con + β·L_ent，λ 与 β 分别 ramp-up；
- 每 5 个 epoch 重新生成伪标签，并监控验证集 Dice；
- 若验证 Dice 连续 3 次下降，则降低伪标签比例或提高 τ。
判断半监督是否真正生效，不能只看训练损失，而应观察验证集 Dice 与伪标签覆盖率的变化。若伪标签覆盖率快速上升但验证 Dice 停滞，通常意味着模型在自我确认偏差中退化，此时应提高阈值或引入更强的数据增强。医学影像的半监督学习，本质上是在“利用未标注数据”与“避免错误累积”之间寻找平衡点。