近日，中国科学技术大学苏州高等研究院医学影像智能与机器人（MIRACLE）研究中心与合作单位，在国际权威期刊《Medical Image Analysis》上发表了题为“Skeleton2Mask: Skeleton-supervised airway segmentation”的研究论文。该论文第一作者为博士生赵明月。该研究提出了一种创新的、基于骨架级标注的稀疏监督学习框架，旨在解决医学影像中标注成本高昂与分割精度难以兼顾的瓶颈问题。

传统的精确气道分割严重依赖于体素级（voxel-wise）标注，该过程不仅耗时、耗力，且在处理复杂的气道树状结构时，常面临远端分支丢失、拓扑结构不完整及边缘界定模糊等挑战，限制了高质量训练数据的获取与先进分割算法的应用。

为应对上述挑战，该研究首次提出一种创新的骨架级标注（Skeleton Annotation, SKA）策略。该策略以基于控制点的逐分支标注模式，取代了传统的逐像素、逐切片的标注方法，将标注重点从像素级细节转移至保证气道树的拓扑完整性。然而，骨架级标注的极端稀疏性（标注体素占比低于3%）给深度学习模型的直接训练带来了困难。为此，团队进一步提出了名为Skeleton2Mask的稀疏监督学习算法。该算法通过一个创新的双流缓冲传播（Dual-stream Buffer Propagation）模块进行可靠的初始标签扩散，并利用分层几何感知学习（Hierarchical Geometry-aware Learning）框架，将稀疏的拓扑信息逐步、精确地传播为完整的体素级分割结果。

实验结果表明，与传统的体素级标注相比，SKA策略可将标注时间缩减约80%，同时在临床实践中更有效地保持了远端分支的完整性。而Skeleton2Mask算法在仅使用极少量标注信息的情况下，其分割性能在拓扑学和体素级指标上均能达到与全监督方法相媲美的水平，并显著优于其他同类稀疏监督学习方法。

该研究为医学管状结构（如气道、血管）的分割任务提供了一种兼顾标注效率与模型性能的解决方案，验证了从稀疏拓扑结构监督到精确体素预测的可行性，对推动精准、高效的临床影像分析具有重要意义。