BSNet是在MT框架上改进的模型。针对MT单向权重更新、伪标签误差累积等问题，提出三大关键机制：双向指数移动平均更新、双向伪标签监督和对抗学习策略。通过双向权重更新，让“师生模型”协同进化，就像两位医生相互学习、共同进步，增强模型学习能力；引入类别级伪标签监督，提升前景与背景的区分度，好比给模型装上更精准的“辨别镜”；结合对抗判别器优化伪标签分布，有效抑制噪声，进一步提升分割性能。

过采样SMOTE逻辑回归、SVM、随机森林、AdaBoost和XGBoost对不平衡数据分析预测

阅读文章 ➜

构建了BSNet的基本框架，包含两个UNet分割网络（network_a、network_b ）和一个轻量级判别器（discriminator ）。网络A和B处理不同类型图像（有标签、无标签），输出用于后续的监督和优化，判别器则对伪标签进行处理，让伪标签质量更优，助力模型提升分割效果。

随时关注您喜欢的主题

损失函数与优化

模型训练采用多重损失联合优化，有监督损失（交叉熵）LsupLsup 、无监督一致性损失（MSE + KL）LunsupLunsup 、对抗损失（GAN）LdLd 。优化器用Adam，给两个分割网络和判别器设不同学习率，训练轮数设为30，每批数据大小为16 。训练中用双边指数移动平均（Bilateral – EMA）策略更新网络权重，提升训练稳定性和伪标签可靠性。就像给模型训练配上“稳定器”和“精准调节器”，让模型在医学图像分割学习中稳步提升。

模型应用实践：从训练到验证

模型训练时，用两个结构相同的UNet分割网络和轻量级判别器组成的BSNet双边监督网络。分割网络以ResNet – 34为编码器主干，接收图像输出分割概率图。构建混合训练批次，每批包含有标签和无标签图像。训练中，两个网络处理同一输入，交换伪标签进行双边监督，伪标签还输入判别器，判别与真实标签的分布差异，通过对抗损失优化伪标签质量。

验证阶段，把验证集输入两个网络，选网络A作为预测输出，用Dice、IoU等指标评估，判断实际分割效果。实际应用中，能看到模型对医学CT图像的分割结果，对比真实掩码，能直观感受模型的分割能力，为临床诊断提供辅助支持。

对比与优势：BSNet vs MT模型

对比均值教师（MT）模型，BSNet在准确性、召回率、F1分数、Dice系数、IoU、MAE等指标上表现更优。BSNet的双边监督与EMA策略，提高了模型的鲁棒性和准确性；而MT模型对教师模型依赖大，易出现性能瓶颈，生成可靠伪标签能力不足。在医学图像分割实际应用里，BSNet能更好地处理数据匮乏问题，为临床诊断提供更精准的图像分割结果，助力医生更准确地分析病情。

结语

从医学图像分割的数据困境出发，我们探索出BSNet模型这一解决方案，依托医学CT影像数据集，通过创新的模型结构和训练策略，在实际应用中展现出比传统MT模型更优的性能。这一过程，是从问题发现到技术突破，再到实际落地的完整实践。希望能给医学图像分析领域的同行、从业者带来启发，一起在利用AI技术助力医疗诊断的道路上，不断探索、进步，让更精准的医学图像分割技术，为临床诊断保驾护航。

PyTorch边界感知上下文神经网络BA-Net在医学图像分割中的应用

作为数据科学家，我常被临床医生问：“为什么机器分割的病灶边界总差一点？” 这个问题背后，是医学图像分割技术半个多世纪的挣扎。上世纪70年代，医生们用尺子在胶片上量病灶大小，效率极低；90年代，传统算法如区域生长法出现，却像“色盲”——对低对比度的图像束手无策；2015年U-net掀起卷积神经网络（CNN）浪潮，终于能自动分割病灶，但它仍像“粗心的学生”，漏看边缘细节是常事。
我们在为某肿瘤医院开发辅助诊断系统时，这个问题更突出：肺癌CT中，肿瘤与正常组织的边界模糊，现有模型分割误差达2mm，足以影响分期判断。为此，我们团队研发了边界感知上下文神经网络（BA-Net），通过“看边缘、互学习、融特征”三步法，让机器精准捕捉病灶边界。
本文改编自该项目技术报告，将从医学图像分割的技术痛点出发，拆解BA-Net的设计逻辑，再用皮肤病变、结直肠息肉等5类临床数据验证其效果。BA-Net专题项目文件已分享在交流社群，阅读原文进群和500+行业人士共同交流和成长。

从“能分割”到“分精准”：医学图像分割的技术困境

传统方法：“按套路”不如“会变通”

2010年前，分割靠“预设规则”。比如用阈值法分割肺部CT——假设肺是“黑色”，其他是“白色”，但抽烟患者的肺有黑斑，就会“认错”。还有用纹理特征的（如Gabor滤波器），但同一种病在不同人身上的纹理可能天差地别，就像Fig.1中两个皮肤病变，一个是浅褐色，一个是深黑色，传统算法很难通用。

Fig.1 两类典型医学图像示例。第一行是皮肤镜下的皮肤病变，第二行是内镜下的结直肠息肉，黄色实线为目标边界。

CNN时代：“看得全”却“看不准”

2015年U-net的出现是个里程碑，它用编码器-解码器结构，既能提取“这是病灶”的语义特征（高层），又能保留“病灶在哪”的位置特征（低层）。但它有个致命伤：连续池化会“模糊边界”。就像你把照片放大10倍，边缘会变虚，U-net的高层特征也这样——知道大体位置，却分不清边缘像素是病灶还是正常组织。

BA-Net：让机器“看清边界”的三重设计

BA-Net的核心思路是：既然边界重要，那就“专门学边界”；既然单任务有局限，那就“让任务互教”；既然高低层特征各有优劣，那就“让它们互补”。整体框架如图2所示。

Fig.2 BA-Net框架图。编码器每个阶段先通过金字塔边缘提取模块（PEE）获取多尺度边缘，再用迷你多任务学习模块（mini-MTL）让分割和边界检测互学，最后用跨特征融合模块（CFF）融合不同层特征。

第一步：多尺度边缘提取（PEE）—— 让机器“摸准”边缘

病灶边缘像“锯齿”，有的地方陡（如息肉边缘），有的地方缓（如皮肤病变）。PEE用不同大小的“刷子”（池化核）扫过图像，提取不同粗细的边缘，再融合起来。
比如用3×3的“小刷子”抓细边缘，用7×7的“大刷子”忽略噪声，最后通过1×1卷积把这些边缘信息浓缩，就像给机器一副“放大镜”，看清不同细节的边缘。

ini

体验AI代码助手

代码解读

复制代码# PEE模块核心代码（修改后） def pyramid_edge_extractor(feat, pool_sizes=[3,5,7]): # feat：当前阶段特征图；pool_sizes：不同池化核大小 edge_list = [] for s in pool_sizes: # 边缘 = 原始特征 - 平均池化后的特征（突出变化区域） avg_pool = F.avg_pool2d(feat, kernel_size=s, padding=s//2) edge = feat - avg_pool # 计算边缘 edge_list.append(edge) # 融合原始特征和多尺度边缘 fused_feat = torch.cat([feat] + edge_list, dim=1) # 按通道拼接 fused_feat = F.conv2d(fused_feat, out_channels=128, kernel_size=1) # 压缩通道 return fused_feat

第二步：迷你多任务学习（mini-MTL）—— 让“分割”和“测边”互教

分割和边界检测是“好搭档”：知道边界能帮分割更准，知道分割区域能帮边界定位。mini-MTL里有两个分支：一个学“哪是病灶”（分割分支），一个学“病灶边缘在哪”（边界分支），中间用交互式注意力（IA）让它们“聊天”。
比如分割分支发现一块区域像病灶，就生成“注意力权重”告诉边界分支：“这里可能有边缘，多留意”；边界分支发现清晰边缘，也会反过来提醒分割分支：“边缘内侧是病灶”。

Fig.3 迷你多任务学习（mini-MTL）模块设计，包含两个任务分支和交互式注意力层。

ini

体验AI代码助手

代码解读

复制代码# 交互式注意力（IA）核心代码（修改后） def interactive_attention(seg_feat, edge_feat): # seg_feat：分割分支特征；edge_feat：边界分支特征 # 分割分支生成权重：哪些区域可能有边缘 seg_weight = torch.sigmoid(seg_feat) # 权重在0-1之间 # 用分割权重指导边界特征：重点关注分割区域内的边缘 edge_feat = edge_feat + seg_weight * seg_feat return edge_feat

第三步：跨层特征融合（CFF）—— 让“细节”和“语义”不脱节

低层特征（如第1层）像“高清像素”，能看到纹理细节；高层特征（如第4层）像“模糊标签”，知道“这是肿瘤”。但低层缺语义，高层缺细节，CFF让它们“互补”。
CFF会自动判断：低层需要多少高层语义（避免把正常组织当病灶），高层需要多少低层细节（让边界更清晰）。就像老师教学生，高年级带低年级，互相补短板。

临床验证：5类数据上的“边界精准度”测试

我们在5类医学图像上测试了BA-Net，对比了U-net、FCN、DeepLabv3等6种主流模型，用交并比（JA）衡量边界准确性——JA越高，边界重合度越好。

皮肤病变（ISIC-2017数据）

皮肤科医生需要精准边界判断良恶性。BA-Net的JA达81.0%，比U-net高4.5%。对Fig.4中颜色浅、边界模糊的病变，它能准确分割，而其他模型常“漏分”边缘。

结直肠息肉（Kvasir-SEG数据）

息肉边缘常和黏膜粘连，BA-Net的JA达86.1%，比第二名CE-Net高2.6%。在CVC-ColonDB数据上，它还能减少对肠道褶皱的误判。

肺部X线（SZ-CXR数据）

肺边缘有很多小缺口（如血管穿过），BA-Net的JA达92.8%，比FCN高5.9%，这些小缺口都能精准识别。

Fig.4 不同模型的分割结果对比。可见BA-Net对低对比度、复杂边界的病灶分割更精准。

为什么三个模块都重要？

我们去掉某个模块后发现：

无PEE：JA降1.0%-1.6%（边缘信息不够）
无mini-MTL：降0.8%-1.3%（任务间无法协作）
无CFF：降1.1%（高低层特征脱节）
这说明三个模块像“三角架”，少一个就站不稳。

结语：精准分割的价值不止于“准”

BA-Net的意义，在于它让机器从“能分割”变成“会理解”——理解边缘与区域的关系，理解不同层次特征的价值。在实际应用中，它已帮医生把皮肤病变边界测量时间从10分钟缩到10秒，误差控制在0.5mm内。
未来，我们计划把BA-Net用到3D医学图像（如脑部MRI），让它在更复杂的三维结构中“看清”边界。毕竟，对患者来说，精准的分割不是数字，而是更可靠的治疗方案。