半监督学习

半监督学习是机器学习中的一种训练范式，介于监督学习（需全部标注数据）与无监督学习（无需标注数据）之间。其核心思想是利用少量带标签数据与大量无标签数据共同训练模型，通过在无标签数据上施加先验或一致性约束，主动挖掘隐含的结构信息，从而显著提升模型在标注稀缺场景下的泛化能力。

自训练（Self-Training）
先使用少量标注数据训练一个基模型，对无标签数据进行预测，将高置信度伪标签样本加入训练集迭代更新。简单高效，但易受早期误差累积影响。
协同训练（Co-Training）
假设数据可被多个独立特征视角描述，分别在每个视角上训练分类器，用各自高置信度预测为另一视角生成伪标签。适用于多模态数据（如影像+文本）。
一致性正则化（Consistency Regularization）
对无标签数据施加随机扰动（如数据增强、Dropout），要求模型对扰动前后的输出保持一致。代表方法包括MixMatch、FixMatch，在医学图像领域尤为有效。
基于图的方法（Graph-Based Methods）
将样本视为图节点，边代表相似度，通过标签传播（Label Propagation）或图卷积网络（GCN）将标注样本的标签沿图结构扩散至无标注样本。擅长处理非线性流形结构。
生成式方法（Generative Models）
通过变分自编码器（VAE）或半监督生成对抗网络（SGAN）学习数据分布，将分类器作为判别器的一部分，使模型同时捕捉类别内变异与类别间边界。

在脑卒中急性期，精准分割梗死区域对治疗决策至关重要。然而，临床中仅有少量MRI扫描具有专家手动标注（成本高、时效差），而大量未标注数据堆积。首都医科大学附属北京天坛医院团队采用一致性正则化框架：

以U-Net为骨干网络，利用少量标注的DWI序列数据进行初始训练。
对大量未标注的T2-FLAIR图像施加随机弹性变形与灰度扰动，强制模型对原始图像与扰动图像输出一致的像素级预测结果。
通过协同训练策略引入不同回波时间的多模态特征（DWI与ADC图），交叉生成伪标签，逐步迭代。
结果：仅在5%标注数据的条件下，模型Dice系数达到0.85，接近全监督（1%递减）。该方法已被部署于天坛医院脑卒中绿色通道，辅助放射科医生在15分钟内完成核心梗死区定量评估，显著缩短溶栓决策延迟。

SLFT--sincerelylovefortech