利用扩散模型进行半监督医学图像分割的鲁棒噪声伪标签学习

基于摘要分析。本文研究半监督医学图像分割中噪声伪标签干扰语义潜空间结构的问题，提出扩散模型框架，通过原型对比一致性约束去噪过程中的语义表示，并引入多解剖结构分割基准 MOSXAV。 方法利用类别原型作为潜空间中的语义锚点，而非显式刻画语义边界，在去噪扩散过程中约束标签的潜在结构。作者认为，这种机制能够提高含噪伪标签条件下密集预测的鲁棒性。摘要未提供原型构建与更新方式、伪标签生成流程、对比约束的具体损失形式，以及扩散模型与分割预测的训练和推理衔接方式，均需通过全文核对。 作者介绍了公开基准 Multi-Object Segmentation in X-ray Angiography Videos（MOSXAV），包含 X-ray 血管造影视频中多个解剖结构的精细人工分割标注。作者报告，在 EndoScapes2023 和 MOSXAV 的半监督分割设置下，该方法优于所比较的先进医学图像分割方法；摘要未给出具体指标、数值、标注比例、数据划分或对照配置，因此无法判断收益幅度及适用条件，实验协议、消融及统计信息尚未验证。 论文的主要研究对象是医学影像分割，而非神经信号解码或 BCI。其原型约束与噪声伪标签处理机制具有方法层面的阅读价值，但材料尚未建立其与 EEG 数据结构或任务的具体对应关系，不据此推断迁移效果；已有 EEG 相关工作尚未检索确认。