医学图像分割在治疗规划、疾病监测和预后预测中至关重要。近年来，数据驱动的深度学习方法取得了显著进展，但其成功依赖于大量标注的训练数据。由于疾病稀有、患者隐私问题、严格的标注要求以及医学图像处理的高成本，创建大型医学图像数据集面临巨大挑战。特别是，现有的医学图像分割通常使用逻辑标签，这可能导致模型过拟合，产生对目标类别过于自信的预测，即为目标类别分配过高的逻辑值，从而影响模型对新数据的泛化能力。

为了解决这一问题，本研究提出了一种基于不确定性引导的自适应自知识蒸馏模型用于医学图像分割，通过自生成软标签来正则化训练过程。其创新之处在于将不确定性估计融入软标签的生成和学生网络的训练中，从而实现了更准确的监督和有效的正则化。

2025年1月29日，哈尔滨工业大学（深圳）马婷课题组在IEEE Transactions on Emerging Topics in Computational Intelligence期刊上发表题为“Uncertainty Driven Adaptive Self-Knowledge Distillation for Medical Image Segmentation” (《基于不确定性引导的自适应自知识蒸馏用于医学图像分割》)的研究论文，报道了一种基于不确定性引导的自适应自知识蒸馏模型用于医学图像分割。

图1. 不确定性与熵的散点图及边缘分布图，分别对应教师网络的正确预测与错误预测。不确定性估计可用于区分正确预测和错误预测。

尽管估计的软标注中正确预测和错误预测的熵分布存在重叠，但错误预测通常集中在高不确定性区域。因此，可以利用不确定性信息识别教师网络预测中的潜在语义偏差。通过根据不确定性自适应生成权重，鼓励可靠预测，抑制不可靠预测对学生模型训练的影响。

图2. 模型概述。首先，通过循环集成训练多个基于逻辑标签的多样化教师网络。然后，适应性权重模块根据预测置信度和不确定性生成自适应权重。最后，基于软标签的自适应加权损失监督学生网络。

在三个医学图像分割任务（包括多分类、2D 和 3D 分割任务）上，证明了该方法优于现有的正则化方法，并有效凸显了不确定性估计在评估软标注可靠性方面的优势。此外，该方法可作为一种标签预处理策略，能够提升不同架构的深度学习分割模型的性能。将其应用于多种分割网络时，均表现出稳定的性能提升，尤其在小规模数据集上效果更加显著。总体而言，该方法结合不确定性估计与自适应蒸馏机制，为医学图像分割提供了一种高效的正则化策略。

图3. 自适应权重生成网络产生的权重可视化。

《IEEE Transactions on Emerging Topics in Computational Intelligence》是计算智能领域的国际知名期刊，主要发表关于计算智能新兴领域在理论、应用及综述等最新成果，尤其鼓励提交基于自然启发式主题类研究成果，包括计算神经科学、脑机接口、非模糊语言计算、物联网计算智等研究方向。该期刊被SSCI和SCIE检索，JCR分区Q1，在中科院SCI期刊分区中为2区期刊。论文第一作者是哈工大（深圳）在读博士研究生郭绪涛，马婷教授为通讯作者。