医学图像分割是临床诊断、治疗计划制定的核心环节，而3D医学图像分割更能还原解剖结构的空间特征，为精准医疗提供关键支撑。但在实际应用中，标注数据稀缺、类别不平衡两大难题，长期制约着半监督3D医学图像分割的性能——大器官占据体素空间主导地位，小结构（如血管、腺体）因体素占比极低，极易出现特征崩溃、分割精度差的问题。近期，一篇发表于ACM MM 2025的研究论文《Simple but Effective: Sub-Volume Contrastive Learning for Class-Imbalanced Semi-Supervised 3D Medical Image Segmentation》，提出了一种轻量且高效的子体积对比学习（SuVCL）框架，直击类别不平衡痛点，显著提升了小解剖结构的分割性能，即使在标注样本极少的情况下，也能超越传统全监督方法。
论文信息
题目：Simple but Effective: Sub-Volume Contrastive Learning for Class-Imbalanced Semi-Supervised 3D Medical Image Segmentation
简单而有效：用于类别不平衡半监督3D医学图像分割的子体积对比学习
作者：Xianrun Xu, Baoyao Yang, Wanyun Li, Jingsong Lin, Yufei Xu
痛点直击：类别不平衡下的3D医学图像分割难题
在3D医学图像中，肝脏、胃等大器官占据了绝大部分体素空间，而血管、腺体、肾上腺等小结构仅占不到5%的体素（见图1）。这种极端的类别不平衡，在半监督学习场景下尤为致命：
- 标记数据稀缺导致小结构特征学习不充分，模型难以捕捉其独特的语义特征，出现“特征崩溃”；
- 基于未标记数据生成的伪标签可靠性低，误差不断放大，进一步加剧小结构分割的不足；
- 现有方法多聚焦于下游损失重加权、数据增强等补偿手段，却忽略了上游特征编码阶段的根本问题——少数类特征判别能力不足，导致下游纠正机制收效甚微。
▲ 图1：3D医学图像中不同解剖结构的体素占比分布，小结构体素占比极低（图源：论文原文）
对比学习为解决特征判别问题提供了新思路，但传统全局对比学习易模糊细粒度细节，体素级配对策略又面临计算成本过高的问题。为此，研究团队提出了SuVCL框架，从上游特征编码阶段入手，兼顾局部细节捕捉与计算效率，破解类别不平衡难题。
核心创新：SuVCL框架的三大关键设计
SuVCL基于经典的均值教师（MT）架构构建三流网络，核心是在学生模型中新增“类别均衡特征增强分支”，与原有分割预测分支共享编码器，既捕捉全局语义，又强化局部特征。整体框架如图2所示：
▲ 图2：SuVCL框架总体结构图（图源：论文原文）
1. 子体积特征提取：聚焦局部，平衡精度与效率
传统全体积处理易忽略小结构细节，体素级处理则计算量爆炸。SuVCL创新性地采用“随机采样重叠子体积”策略：将原始3D医学体积划分为多个8×8×8的子体积，通过编码器提取高维嵌入特征。
这种方式将大体积拆解为更小的语义单元，既能精准捕捉血管、腺体等小结构的细粒度解剖细节，又大幅降低计算负担，在“保留局部细节”与“控制计算复杂度”之间实现了完美平衡。
2. 平衡记忆库：让小类别特征“不被淹没”
为解决对比学习中多数类特征主导、少数类特征被忽视的问题，SuVCL设计了基于先进先出（FIFO）队列的平衡记忆库机制：
- 为每个类别单独维护特征队列，确保所有类别记忆库存储能力一致；
- 仅将高置信度的子体积特征纳入记忆库，动态阈值随训练进程线性衰减，保证特征可靠性；
- FIFO机制实时更新记忆库，让小结构的特征始终得到同等关注，避免被大器官特征“淹没”。
这一设计从根本上保障了各类别特征的均衡表示，为后续对比学习提供了高质量、无偏的特征样本。
3. 子体积对比学习：强化特征判别能力
基于平衡记忆库，SuVCL构建了针对性的对比学习策略：
- 通过对比损失，让同类特征更相似、异类特征更区分，重塑特征空间，尤其强化小结构的特征判别性。
最终，SuVCL将监督损失、无监督一致性损失、分类损失与对比损失融合，形成整体训练目标，既保证分割任务的基础性能，又针对性提升小类别分割精度。
实验验证：性能全面超越SOTA，小类别分割提升显著
研究团队在Synapse（30例3D扫描数据）和AMOS（360例3D扫描数据）两大主流数据集上开展了全面实验，验证SuVCL的有效性。
1. 与SOTA方法对比：小类别分割精度大幅提升
- Synapse数据集：10%标记数据下，相比经典的A&D方法，SuVCL整体骰子系数提升10.24%，小器官分割精度提升4.5%；20%标记数据下，相比GA方法，整体骰子系数从68.43%提升至71.23%，小器官提升3.38%；
- AMOS数据集：2%标记数据下，相比GA方法，小器官分割精度提升1.76%；5%标记数据下，小器官精度进一步提升3.74%；
- 更值得关注的是，即使标注样本极少，SuVCL在多个小器官分割任务上的精度甚至超越了全监督方法（VNet），充分证明其捕捉细粒度语义的能力。
2. 定性结果：小结构分割更完整、更精准
从可视化结果（图3、图4）可以清晰看到，SuVCL在复杂背景下，既能精准分割肝脏、胃等大器官，也能完整识别主动脉、门静脉、左肾上腺等小结构；而对比方法往往出现小器官漏分割、分割不完整的问题。
▲ 图3：Synapse数据集分割结果可视化（20%标记数据），SuVCL对小结构（如Ao、PSV）分割更精准（图源：论文原文）
▲ 图4：AMOS数据集分割结果可视化（5%标记数据），SuVCL有效避免小器官（如LAG）漏分割（图源：论文原文）
3. 消融实验：核心组件缺一不可
为验证各模块的作用，研究团队在AMOS数据集（5%标记数据）上开展消融实验（表5）：
- 仅引入对比学习，小类别骰子系数从54.03%提升至55.29%；
- 加入分类损失后，小类别精度进一步提升至56.09%；
- 加入动态阈值的完整SuVCL模型，小类别精度最终达57.77%，大类别也同步提升至78.55%。
此外，子体积大小的消融实验（表6）表明，8×8×8的子体积尺寸在性能与效率间达到最优——全体积（96×96×96）处理时，小类别精度仅33.18%，而缩小子体积后，小结构细节捕捉能力显著增强。
▲ 表5：各核心组件对分割性能的影响（图源：论文原文）
▲ 表6：不同子体积大小对分割性能的影响（图源：论文原文）
总结与展望
SuVCL的核心价值在于：以“子体积”为核心切入点，将对比学习与类别平衡机制结合，从上游特征编码阶段解决类别不平衡问题，而非依赖下游补偿手段。其轻量级、模块化的设计，可轻松集成到现有半监督分割框架中，具备极强的落地潜力。
实验结果充分证明，SuVCL在Synapse、AMOS等数据集上全面超越现有SOTA方法，尤其在小解剖结构分割上表现亮眼，为标注数据稀缺、类别不平衡场景下的3D医学图像分割提供了新范式。
未来，这一框架还可进一步扩展：例如适配更多模态的医学图像（如MRI、CT）、结合多尺度特征融合策略、优化记忆库更新机制等，持续提升复杂临床场景下的分割性能，为精准医疗提供更坚实的技术支撑。
10个月宝宝每天需要喝多少奶粉？
