医学论文解读：Boundary as the Bridge: Toward Heterogeneous Partially-Labeled Medical Image Segmentation and
期刊：Transactions on Medical Imaging
年份：2025
论文题目：Boundary as the Bridge: Toward Heterogeneous Partially-Labeled Medical Image Segmentation and Landmark Detection
中文可译为：以边界为桥梁：面向异构部分标注医学图像的分割与解剖标志点检测
一、摘要
医学图像分割和解剖标志点检测都是计算机辅助诊断的重要任务，但实际数据中经常出现：
数据集 A 只有 segmentation mask；
数据集 B 只有 landmark annotation。
作者将这种情况定义为Heterogeneous Partially-Labeled Problem（异构部分标注问题）。
为解决这一问题，论文提出Boundary-as-Bridge Loss（BaBLoss）。核心思想是：大多数解剖标志点位于特定解剖结构的边界，因此可以通过约束 Landmark heatmap 与 segmentation boundary distance map 的一致性建立两个任务之间的联系。
此外，作者利用 Landmark 作为 Prompt 输入 MedLSAM，为只有 Landmark 标注的数据生成伪分割标签，从而进一步利用这些数据训练 segmentation branch。方法最终在胎儿脑和膝关节两个异构部分标注数据集上进行了验证。
二、创新点
创新一：提出异构部分标注问题
论文首次系统定义：D1: Segmentation D2: Landmark
即多个数据集来自相同解剖区域，但不同数据集具有不同类型的标注，并尝试利用它们联合完成分割与 Landmark 检测。
创新二：提出 Boundary-as-Bridge Loss
论文发现 Landmark 与解剖结构边界具有天然的空间关系，因此设计BaBLoss：
Segmentation Boundary↔Landmark
通过最大化边界距离图与 Landmark Heatmap 的一致性，让两个任务相互监督。
这一 Loss 不依赖某一种特定网络结构，可以直接嵌入现有多任务网络。
创新三：利用 Landmark 生成伪分割标签
对于只有 Landmark 标签、没有 Mask 的数据，作者将 Landmark 转换为前景/背景 Prompt，输入MedLSAM自动产生 pseudo segmentation mask。
这样原本只能训练 Landmark 分支的数据，也能够参与 segmentation branch 的训练。
三、方法
论文采用经典的：Shared Encoder + Dual Decoder结构。
输入一个 mini-batch，其中：
- 一半数据具有segmentation GT；
- 一半数据具有landmark GT。
共享 Encoder 提取图像特征，随后进入两个 Decoder：
- Decoderseg→Segmentation
- Decoderland→Landmark Heatmap
有分割标签的数据使用Cross-Entropy Loss；有 Landmark 标签的数据使用MSE Loss。
也就是说，基础网络并不要求每一幅图像同时具有两种标注。
3.1 Landmark Prompt伪分割标签生成
对于只有 Landmark 标签的数据，作者进一步利用 MedSAM 生成 segmentation pseudo label。
给定两个 Landmark：P1, P2
- 首先连接两个点，并在线段内部采样一些点作为Foreground Prompt
- 再在线段延长线上采样Background Prompt
- 然后将这些点输入 MedLSAM：Landmarks→Foreground/Background Prompts→MedSAM→Pseudo Mask
生成的伪 Mask 再通过 Cross-Entropy Loss 监督 segmentation branch。
4.3 Boundary-as-Bridge Loss
其基本假设是：
分割区域由边界确定，而许多 Landmark 就位于这些解剖边界上。
BaBLoss主要包括三个步骤：
① 建立 Landmark–器官边界对应关系
首先根据解剖知识建立： Landmark→Segmentation Boundary
例如某个 Landmark 位于股骨边界，或者位于两个组织的交界处。
② 构建 Boundary Distance Map
从对应的 segmentation mask 中提取边界，然后建立距离图：
越靠近边界 → 权重越大；
越远离边界 → 权重越小。
这样就把离散的“边界”转换成一个可以与 Landmark heatmap 对齐的连续空间表示。
③ 约束 Landmark Heatmap 与 Boundary Map 一致
最后计算： Boundary Distance Map↔Landmark Heatmap之间的一致性。
Landmark 越靠近正确的解剖边界，两者相似度越高，BaBLoss 越小。
因此，BaBLoss 实际实现了双向约束：
Segmentation GT → 约束 Landmark Prediction
以及：
Landmark GT → 约束 Segmentation Prediction
这就是论文所谓的“Boundary as the Bridge”。
4.4 总体损失函数
最终损失由三个部分组成：
其中：
：正常的分割和 Landmark 多任务监督；
：MedLSAM 生成伪分割标签的监督；
：利用边界关系进行两个任务之间的交叉监督。
因此整个方法其实形成了三层监督：真实标签监督 + 伪标签监督 + 跨任务边界约束。
四、试验
4.1 数据集
论文分别在胎儿脑和膝关节两个数据集上进行了实验。
值得注意的是，膝关节数据中：
- OAI-ZIB用于 segmentation；
- LM-ZIB用于 Landmark detection。
Landmark 包括ACL@f、ACL@t、PCL@f、PCL@t、MCL 等韧带附着点。
4.2 结果
实验表明，BaBLoss 可以用于不同的 CNN 和 Transformer backbone，并普遍改善 segmentation 与 landmark detection。与分别训练两个网络相比，该方法只需要进行一次推理即可同时获得两个任务结果，因此推理效率也更高。
消融实验中，MedLSAM Pseudo Label + BaBLoss的组合取得最佳结果，例如在对应实验中 DSC 从73.88% 提升至 76.11%，MRE 从1.40 mm 降低至 1.37 mm。
五、结论
论文证明了：即使 segmentation 和 Landmark 标签来自不同的数据集、不同病例，仍然可以借助二者共有的解剖边界关系建立有效的联合学习机制。
其核心贡献不是设计一个非常复杂的新 Backbone，而是提出：
Landmark↔Boundary↔Segmentation
利用Boundary 作为两个异构任务之间的桥梁。
作者也指出，目前 BaBLoss 假设目标器官的 Ground Truth 主要由一个完整的连通区域组成，因此对于存在多个不连通区域的分割目标可能受到限制，这是未来需要进一步解决的问题。