近日，暨南大学信息科学技术学院、暨南大学第一附属医院（华侨医院）、南方医科大学珠江医院，联合全球多所高校与科研机构完成的最新研究成果《FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation》在医学影像领域国际权威期刊《IEEE Transactions on Medical Imaging》发表。该研究构建了全球首个面向宫颈分割的半监督学习基准挑战赛（FUGC），建立了标准化的数据集与评估体系，有效破解了经阴道超声（TVS）宫颈分割中标注数据稀缺、评估标准缺失的行业痛点，为人工智能辅助早产（PTB）风险早期筛查提供了全新技术路径，推动围产保健AI技术向数据高效利用方向稳步发展。白杰云副教授和黄郁馨副主任医师为共同通讯作者。

基于宫颈图像分析的早产筛查示意图

早产是全球新生儿死亡和终身发病的主要诱因，给社会和家庭带来沉重的医疗负担与经济压力。国际妇产超声学会（ISUOG）指南明确指出，经阴道超声宫颈长度测量是预测自发性早产的关键手段，而精准的宫颈结构分割是获取可靠测量数据的核心前提，其能为临床提供宫颈形态、长度等关键生物标志物，指导风险分层与及时干预。然而，传统人工分割不仅耗时耗力、主观性强，且经阴道超声图像存在信号缺失、伪影干扰、边界模糊等问题，自动化分割难度极大；更关键的是，医疗数据隐私限制与专家标注成本高昂导致标注数据极度稀缺，严重制约了全监督学习方法的性能提升，而超声领域此前缺乏专门的半监督学习基准平台，使得相关技术难以实现标准化评估与迭代。为攻克上述难题，白杰云教授团队联合帝国理工学院、悉尼大学、穆罕默德本扎耶德人工智能大学、浙江大学等全球数十家机构，发起并举办了ISBI 2025 Fetal Ultrasound Grand Challenge（FUGC）挑战赛，开展了宫颈超声半监督分割的系统性研究。研究团队构建了高质量的多中心经阴道超声数据集，包含890幅图像，其中训练集500幅（含50幅标注图像、450幅未标注图像）、验证集90幅、测试集300幅，所有图像均采用GE Voluson E10/E8设备采集，严格遵循临床检查规范，涵盖18-43岁孕产妇群体，经专业超声医师（10年以上经验）基于SAM模型辅助+人工精修完成标注，确保了数据的临床真实性与可靠性。

基于该数据集，研究团队建立了科学完善的评估体系，采用骰子相似系数（DSC）、豪斯多夫距离（HD）和运行时间（RT）作为核心评估指标，权重分别为0.4、0.4、0.2，既注重分割精度与边界一致性，也兼顾临床部署所需的效率要求。本次挑战赛吸引了全球17个国家的223名研究者注册参与，最终10支团队（共82名参与者）完成有效提交，研究团队对所有参赛方案进行了全面剖析，从预处理、网络架构、损失函数、数据增强、半监督学习策略、集成方法、后处理七个维度展开深度研究，系统挖掘了不同技术路径在宫颈分割任务中的优势与适用场景。研究结果显示，顶尖算法展现出优异的分割性能，其中整体宫颈分割的平均DSC最高达93.36%，前唇DSC峰值为94.57%，后唇DSC峰值为86.51%，HD最低至28.99 mm，运行时间最快仅32.85 ms，部分指标已接近全监督学习的先进水平。通过对参赛方案的总结分析，研究团队明确了一系列提升半监督宫颈分割性能的关键策略：在学习框架上，离线伪标签多阶段优化（如T1团队的人工介入精修、T4团队的nnUNet自动生成+后处理）与在线师生一致性学习（如基于UniMatch-V2的弱强增强约束）均表现突出；模型架构方面，DINOv2等视觉Transformer能有效捕捉全局特征，轻量级U-Net变体则在效率与精度间实现平衡；数据增强上，融合几何变换（翻转、旋转）与光度调整（高斯噪声、对比度增强）的复合策略可显著提升模型泛化能力；损失函数普遍采用CE+Dice组合，兼顾像素级拟合与结构一致性。此外，研究团队还针对临床实际应用需求展开专项探究。通过权重敏感性分析，证实了以分割精度为核心的评估体系具有良好鲁棒性，避免了效率指标对排名的过度影响；通过帕累托前沿分析，筛选出T1、T2、T4等在精度-效率上实现最优平衡的非支配方案，为不同临床场景部署提供参考；通过对顶尖方案的共性提炼，总结出 “高质量伪标签生成+一致性正则化+强数据增强+预训练特征提取+轻量架构设计” 的高效半监督宫颈分割技术范式，为后续研究提供了明确指引。

该研究得到了广州市科技局项目、欧盟ERC AIMIX项目等多个项目的联合资助。数据集、参赛团队源代码及评估工具已全面开源，为全球研究者提供了可重复、可对比的标准化平台，将加速半监督学习在超声影像分析领域的技术突破与临床转化。。

论文链接：https://ieeexplore.ieee.org/document/11400574