探索用于半监督医学图像分割的特征表示学习

基于摘要分析。本文研究半监督医学图像分割，提出两阶段特征表示学习框架，利用有标注与伪标注图像构建更紧凑、类别间分离更好的特征空间，以支持低密度区域中的决策边界学习。主要研究对象是医学图像分割，并非 EEG 解码或 BCI。 机制上，作者将重点从直接作用于预测的伪监督转向特征空间约束，但框架仍使用伪标签及预测一致性。阶段自适应对比学习在第一阶段采用边界感知对比损失，利用有标注图像；第二阶段采用原型感知对比损失，同时优化有标注与伪标注图像。为改善原型估计，作者提出偶然不确定性自适应方法（Aleatoric-uncertainty adaptive，AUA），利用图像歧义自适应约束预测一致性，旨在生成质量更高的伪标签。摘要未提供不确定性估计、原型构建或损失计算的具体实现。 作者报告，该方法在三个公开医学图像分割基准上取得最佳结果；但所给材料未列出数据集名称、标注比例、划分方式、评价指标、具体数值及对照设置，因此尚不能核对这一比较结论的适用范围。实验协议、消融及统计信息尚未验证，训练规模与复现资源亦待核对。 平台推测（待验证）：其“伪标签质量—原型估计—特征分离”机制可形成 EEG 少标注学习假设，但医学图像中的空间边界不能直接等同于 EEG 类别边界。原型对比约束可能复用，边界感知模块及不确定性估计则需针对 EEG 的时序结构与任务监督改造。低信噪比、跨被试差异、通道变化及小数据下的原型偏差，均可能使错误伪标签被强化。一个小规模可证伪实验是固定 EEG 任务、标注预算与跨被试划分，比较相同骨干的一致性学习基线、加入原型对比约束、再加入不确定性筛选的表现，并核对伪标签质量与原型稳定性是否同步改善。已有相关 EEG 工作尚未检索确认。