信息科学与技术学院王坤峰教授课题组与中日友好医院马国林主任医师团队合作开展医工交叉研究，围绕医学影像智能分析与疾病辅助诊断，聚焦医学影像分割领域中的小病灶精准识别、复杂肿瘤结构表征以及有限标注条件下的高质量分割等关键问题，持续探索人工智能技术与临床医学影像的深度融合，并取得系列研究成果。合作研究论文发表于《Expert Systems with Applications》《IEEE Sensors Journal》《Information Fusion》等国际期刊，并申请两项发明专利。
医学影像分割是人工智能与医学影像交叉研究方向，在疾病辅助诊断、病灶检测、治疗方案制定及疗效评估等方面具有重要应用价值。然而，医学影像具有目标尺度小、边界模糊、结构复杂、成像模态多样等特点，同时高质量像素级标注高度依赖专业医生，导致传统深度学习方法面临标注成本高、复杂病灶难以精准表征以及模型泛化能力受限等问题。
针对上述挑战，课题组与中日医院以垂体微腺瘤、脑肿瘤等临床典型疾病为研究对象，从时空特征建模、知识蒸馏、多教师协同学习等不同层面开展系统研究，逐步形成从精准病灶检测与分割，到无监督医学影像分割，再到弱监督条件下可靠知识迁移的研究路线，为降低医学影像人工标注负担、提升智能分割模型的准确性和泛化性提供了新的研究思路。
（1）面向垂体微腺瘤精准诊断，构建融合时空特征的医学影像检测与分割方法
垂体微腺瘤是一类体积较小、边界相对模糊的病变，其早期发现和精准定位对临床诊断和治疗具有重要意义。动态对比增强磁共振成像（DCE-MRI）能够提供病变组织随时间变化的动态增强信息，但由于垂体微腺瘤尺寸较小、MRI图像分辨率有限，如何充分利用影像中的空间与时间信息实现精准检测和分割仍具有较大挑战。
针对这一临床问题，课题组与中日医院合作开展了基于时空特征的垂体微腺瘤计算机辅助诊断研究。研究论文“Computer-aided diagnosis of pituitary microadenoma on dynamic contrast-enhanced MRI based on spatio-temporal features”于2025年发表在国际期刊《Expert Systems with Applications》。
图1研究成果1（PM-CAD）的整体框架图
研究提出了一种融合时空信息的医学图像检测与分割模型。针对垂体微腺瘤目标尺度小、空间细节易丢失等问题，研究设计了多尺度特征融合模块，在充分提取目标语义信息的同时保留更加清晰的空间信息，实现基于DCE-MRI动态信息的阳性病例识别。在病灶分割方面，研究在ROI Align完成特征对齐后，在检测网络中引入双路径语义分割模块，进一步挖掘精细的时空语义信息，提高垂体区域及病灶分割的准确性。此外，研究设计了底层信息复用模块，重新利用特征金字塔网络中的低层特征信息，以增强模型对小尺度垂体微腺瘤目标的检测能力。实验结果表明，该方法在垂体微腺瘤计算机辅助诊断任务中取得了97.10%的准确率和50.24%的mAP，整体性能优于多种具有代表性的医学图像深度学习模型。该研究为利用DCE-MRI中的时空信息开展垂体微腺瘤智能检测与分割提供了新的技术路径，体现了人工智能技术在临床影像辅助诊断中的应用潜力。
（2）面向无像素级标注场景，提出多层知识蒸馏医学影像分割方法
随着深度学习技术的发展，高质量像素级标注成为医学影像分割模型训练的重要基础。然而，对于脑肿瘤等结构复杂、形态多变的病灶而言，高质量像素级标注通常需要专业医生投入大量时间和精力，严重限制了大规模医学影像数据的利用。
针对这一问题，课题组进一步将研究拓展至无监督医学影像分割领域，与中日医院合作提出了多层知识蒸馏框架MedDistill。研究论文“MedDistill: Multi-Level Distilled Co-Learning for Unsupervised Medical Image Segmentation”于2026年发表在国际期刊《IEEE Sensors Journal》。
图2研究成果2（MedDistill）的整体框架图
该研究探索利用视觉基础模型强大的视觉表征和分割能力，在缺少像素级人工标注的情况下，为轻量级医学影像分割网络提供有效监督。研究首先利用预训练目标检测模型生成候选肿瘤边界框，并将其作为提示输入视觉基础模型，由视觉基础模型生成高质量软伪标签；随后，以轻量级分割网络作为学生模型，通过知识蒸馏学习视觉基础模型中的分割能力，从而在无需像素级人工标注的条件下实现脑肿瘤分割。与仅利用最终分割结果进行知识迁移的方法不同，MedDistill进一步引入中间特征层面的知识蒸馏机制，同时设计不确定性感知损失权重正则化器，根据不同监督信号的可靠程度动态调节分割损失、概率蒸馏损失和特征蒸馏损失之间的权重，在提高知识迁移效率的同时增强模型训练的稳定性和鲁棒性。在公开及私有脑肿瘤数据集上的实验结果表明，MedDistill在无监督医学影像分割场景下取得了良好的分割性能，并优于多种现有先进方法。该研究进一步证明了视觉基础模型与轻量级分割网络协同学习在降低医学影像标注依赖方面的应用价值，为医学影像智能分析从“依赖大规模人工标注”向“充分利用预训练模型和弱监督信息”转变提供了新的研究思路。
（3）面向弱监督医学影像分割，提出不确定性感知的多教师知识蒸馏方法
在无监督学习研究的基础上，课题组进一步关注医学影像分割中弱标注条件下伪标签质量不稳定的问题。现实临床场景中，医生通常能够较容易地提供病灶框、点标注等弱监督信息，但获得精细的像素级分割标注仍然需要较高成本。因此，如何充分利用视觉基础模型产生的伪标签，同时降低伪标签噪声对分割模型训练的影响，是实现高效医学影像智能分割的重要问题。
针对这一挑战，课题组与中日医院合作提出了UCM-Distill多教师知识蒸馏框架。研究论文“UCM-Distill: Multi-Teacher Distillation with Uncertainty Modeling andContrastive Learning for Weakly Supervised Medical Image Segmentation”于2026年发表在国际期刊《Information Fusion》。
图3研究成果3（UCM-Distill）的整体框架图
该研究进一步将单一视觉模型扩展为多教师协同知识蒸馏框架，综合利用不同视觉基础模型在医学影像目标识别与分割方面的互补能力。设计了一致性调节的不确定性感知伪标签生成模块，通过融合多个教师模型的预测结果，对教师之间的一致性以及聚合预测中的不确定性进行建模，并以连续权重方式调节不同教师预测对最终伪标签的贡献，从而提高弱监督条件下伪标签的可靠性。与此同时，提出掩码引导的对比蒸馏机制，利用伪标签划分前景与背景区域，在特征空间中强化不同类别之间的可分性，使学生网络不仅学习教师模型的分割结果，还能够进一步学习更具有判别性的特征表示。研究在2D/3D公开脑肿瘤数据集以及私有垂体微腺瘤数据集上进行了系统性实验。结果表明，该方法在不同数据规模、不同成像场景以及不同分割任务下均表现出稳定的分割性能，具备良好的跨数据场景泛化能力。该研究进一步拓展了知识蒸馏与视觉基础模型在弱监督医学影像分割中的应用，为在有限人工标注条件下构建高性能医学影像智能分析模型提供了新的解决方案。
上述三项研究面向垂体微腺瘤和脑肿瘤医学影像分割任务，在研究思路上具有清晰的递进关系。第一项研究聚焦具体临床疾病与影像特征，充分挖掘DCE-MRI中的时空上下文信息，提升小病灶检测与分割能力；第二项研究进一步面向像素级标注缺失的问题，利用视觉基础模型和知识蒸馏实现无监督医学影像分割；第三项研究则进一步利用多教师协同、不确定性建模和对比学习，探索弱监督条件下更加可靠的知识迁移与伪标签生成方法。从时空特征建模，到多层知识蒸馏，再到不确定性感知的多教师协同学习，三项研究逐步拓展了人工智能技术在医学影像分割中的应用边界，形成了从精准病灶检测、低标注分割到视觉基础模型协同学习的连续研究路线。
三篇论文的第一作者为信息科学与技术学院博士生郭特，通讯作者为信息科学与技术学院王坤峰教授和中日医院马国林主任医师，北京化工大学为第一署名单位。
未来，课题组将与中日医院继续深化科研合作，围绕医学影像智能分析中的低成本标注、跨模态学习、视觉基础模型、多模态大模型以及临床场景泛化等关键问题开展研究，进一步加强人工智能技术与临床需求之间的交叉融合，推动医学影像人工智能技术从实验室研究向更加可靠实用的临床辅助诊疗方向发展，为智能医学影像技术的研究与应用提供技术支撑。