联邦半监督学习突破乳腺MRI分割瓶颈：多中心验证显示DSC提升至94.8%

《Scientific Reports》：Enhancing breast magnetic resonance imaging segmentation with a federated semi-supervised approach

本研究针对乳腺磁共振成像（MRI）分割中标注数据稀缺与多中心数据隐私保护的矛盾，提出了一种联邦半监督学习框架。通过结合联邦学习（FL）的隐私保护优势与半监督学习（SSL）对未标注数据的利用能力，创新性地引入图像级强-弱扰动和特征级Dropout机制，在三个医院数据集上实现Dice相似系数（DSC）94.8%的优异性能，较基线模型提升最高达8.8%。该研究为医疗机构在数据受限环境下开展协同学习提供了可行方案。

　　

在乳腺癌精准诊疗的征程中，磁共振成像（MRI）凭借其卓越的软组织分辨能力，已成为高风险人群筛查和疑难病例诊断的重要工具。然而，乳腺MRI图像的解读犹如在浩瀚星海中寻找特定星座，不仅耗时费力，更深受不同医师经验差异的影响。传统的人工分割方式既无法满足临床高效需求，也难以保证结果的一致性，这为人工智能辅助诊断技术提供了广阔的应用空间。

深度学习技术特别是卷积神经网络（CNN）在医学图像分割领域展现出强大潜力，U-Net、Attention U-Net等架构在各类医学影像任务中不断刷新性能纪录。但这些模型的卓越表现建立在海量高质量标注数据基础上，而医学数据的标注需要资深放射科医生投入大量时间精力，这对单个医疗机构尤其是资源有限的小型机构构成了巨大挑战。

更棘手的是，医疗数据因隐私保护要求无法在不同机构间自由流通。虽然联邦学习（FL）技术允许机构在不共享原始数据的前提下协同训练模型，但当每个机构仅拥有少量标注样本（如3-5个）时，传统联邦学习也难以发挥理想效果。与此同时，半监督学习（SSL）虽能利用大量未标注数据，但单一机构的模型泛化能力有限。如何在不侵犯数据隐私的前提下，最大化利用各机构的标注和未标注数据，成为亟待突破的技术瓶颈。

针对这一挑战，浙江人民医院等单位的研究团队在《Scientific Reports》上发表了一项创新研究，提出了一种联邦半监督学习框架，成功实现了乳腺MRI图像的高精度分割。该研究通过巧妙结合联邦学习和半监督学习的优势，在保护数据隐私的同时显著提升了模型性能，为多中心医疗AI协作提供了新范式。

关键技术方法包括：基于FedAvg的联邦学习框架整合三家医院数据；改进的半监督学习策略采用图像级弱扰动（

、翻转、旋转等）和强扰动（高斯模糊、CutMix等）以及特征级Dropout扰动；使用VGG16骨干的U-Net分割网络；基于置信度阈值（τ=0.95）的伪标签生成和四分量损失函数优化。

材料与方法

研究获得浙江人民医院伦理委员会批准，回顾性分析三家医院（C1小型、C2大型、C3中型）的乳腺MRI数据，包括9351-71820张切片。设基本标注场景（C1-C3标注比例1%/10%/5%）和苛刻场景（0.5%/5%/1%），并采用MAMA-MIA公共数据集进行外部验证。网络架构基于VGG16的U-Net，通过多扰动策略增强模型鲁棒性：对未标注样本施加弱扰动（

、翻转、旋转、马赛克、颜色增强）和强扰动（高斯模糊、CutMix），对弱扰动特征施加50%通道Dropout。损失函数融合监督损失（交叉熵+Dice损失）和无监督损失（基于伪标签的Dice损失），权重设置为λ₁=0.5, λ₂=0.125, λ₃=0.125, λ₄=0.25。

实验结果

主要研究问题（RQ1）显示，在苛刻标注场景下，该方法在全局测试集G上达到89.34% DSC和67.05% IoU，显著优于本地学习（LL）、联邦平均（FedAvg）、联邦自训练（FedST）和联邦梯度多样性减少（FedRGD）等基线模型。特别是在数据最稀缺的C1客户端，DSC提升达8.8%。外部验证中，在ISPY2、NACT等数据集上DSC达到78.64-84.29%，证明其强泛化能力。

收敛性能（RQ2）分析表明，该方法在苛刻场景下保持稳定收敛，而FedAvg等基线在100轮后早熟。消融研究（RQ3）验证了FL和SSL组件的协同作用：单独FL会因客户端数据异构产生负迁移，而FL+SSL组合有效缓解此问题，特别是对数据稀缺客户端C1提升显著。不同设置（RQ4）测试显示，τ=0.9时性能最优，而τ=0.65因增加真阳性捕获而意外提升召回率。

结论与意义

该研究提出的联邦半监督学习框架成功解决了医疗AI领域的数据稀缺与隐私保护两难问题。通过创新性的多级扰动策略和有效的联邦聚合机制，在多个真实临床数据集上实现了优于现有方法的分割性能。该方法使资源有限的小型医疗机构也能受益于多中心协作，推动医疗AI的普惠化发展。未来工作可探索更先进的客户端选择策略和个性化联邦学习方案，进一步提升在高度异构医疗环境中的适用性。