近日，我院生物医学工程系刘羽教授团队在组织病理图像分割研究方向取得新进展。相关研究成果以“DPFR: Semi-supervised gland segmentation via density perturbation and feature recalibration”为题发表在医学图像处理领域顶级期刊《Medical Image Analysis》（IF：11.8）上。

组织病理图像是癌症评估的重要依据，在结直肠癌和前列腺癌的诊断中，腺体结构的形态特征是肿瘤分级的重要参考信息，而腺体结构的自动分割是获得这些量化信息的关键基础。与传统完全依赖人工逐像素标注的全监督方法相比，半监督分割利用少量标注样本和大量未标注数据进行训练，在保证分割精度的同时减少对人工精细标注的依赖，从而降低标注成本并提升大规模数据利用效率。然而，在组织病理图像中，腺体常呈现形态多变、相互粘连、边界不清等特点，且前景与背景纹理相似，导致模型容易出现类别混淆与边界识别不稳定，严重影响分割精度。

针对上述问题，团队提出了基于密度扰动与特征重校准的半监督方法DPFR：构建归一化流密度估计器对腺体、轮廓与背景的特征分布进行建模，并利用梯度引导的密度扰动增强特征可分性；同时引入对比学习驱动的特征重校准模块，缓解类间混淆，降低粘连对边界分割的不利影响。实验结果表明，DPFR能够取得优于现有主流半监督方法的分割性能。该项研究提出的半监督腺体分割方法在减少对大规模精细标注依赖的同时显著提升了分割效果，为结直肠癌与前列腺癌组织病理图像的自动分析提供了理论方法和关键技术支撑，对于上述疾病的智能诊断具有重要意义。

必赢3003no1线路为论文的唯一署名单位。我院博士研究生余杰江为论文的第一作者，刘羽教授为论文的通讯作者。该研究工作得到了国家自然科学基金（U23A20294、62576132）、教育部基础学科和交叉学科突破计划（JYB2025XDXM109）等项目的资助。

      图：DPFR方法总体架构示意图：（a）特征密度学习；（b）密度扰动生成与注入；（c）特征矫正模块。

   论文链接：https://doi.org/10.1016/j.media.2026.103962

                                                                                                     (刘羽/文，刘羽/图，李军鹏/审核）