医学图像分割在计算机辅助诊断和治疗计划制定中起着至关重要的作用。无监督分割方法能够有效地利用无标记数据，在临床应用中具有重要的前景。

近日，中国科学院深圳先进技术研究院医工所秦文健研究员团队针对无监督分割算法面临的解剖结构断裂、连通错误或边界不连续等挑战难题，创新性提出一种新的无监督拓扑感知扩散凝聚网络的医学图像分割方法（UTADC-Net），实现了在无需标签的条件下，能够完成医学多模态图像的准确分割。该成果以“UTADC-Net: Unsupervised Topological-Aware Diffusion Condensation Network for Medical Image Segmentation”为题发表在生物医学健康信息学领域知名期刊IEEE Journal of Biomedical and Health Informatics上。

研究团队提出了一种全新的无监督拓扑感知扩散凝聚网络（UTADC-Net），用于多模态医学图像分割。具体而言，研究团队设计了一个基于扩散-凝聚的学习框架，通过对像素间长程依赖关系的有效建模并引入拓扑约束，实现分割结果的结构一致性。 首先，为充分融合局部细节与全局语义信息，团队提出以像素为中心的块嵌入模块，同时刻画局部结构特征和区域间交互关系。其次，为提升分割结果的拓扑一致性，团队引入自适应拓扑约束机制，通过像素级拓扑关系及相应损失函数，引导网络学习符合解剖结构的对齐表示。

研究结果证实了UTADC-Net在边界跟踪和解剖结构保持方面表现优越，并验证了UTADC-Net对无监督医学图像分割的积极影响，图3中原始图像与真实标签（左侧两列）展示了人体组织的真实结构和医生标注的精细分割结果，为性能评估的基准。UTADC-Net（最右列）表现出最优性能：分割边界精确贴合组织结构轮廓，剖结构拓扑保持完整（无断裂或错误连接），肿瘤区域识别准确率显著提高（绿色标注区域与真实标签高度一致）。

中国科学院深圳先进技术研究院秦文健研究员为通讯作者，博士生彭月为第一作者。中国科学院深圳先进技术研究院谢耀钦研究员、深圳大学总医院吴若岱主任医师、睿心医疗马骏博士、香港理工大学蔡璟教授为论文的共同作者。该研究获得国家重点研发计划、深圳市科技创新局、中国科学院青促会等项目支持。

图1：文章上线截图

图2：所提出方法研究思路图

图3: 三个数据集（Retina, TopCow, BraTS）中不同模块的可视化结果，没有拓扑损失，分割边界变得不清晰，同时，引入扩散凝聚可以改善聚类效果，从而增强分割性能