医学影像分析在疾病诊断、手术规划和康复效果评估中是至关重要的步骤，其中器官图像分割是核心任务之一。准确提取医学影像中的器官结构能够为临床决策提供更全面的诊断依据，从而提升诊断准确性与工作效率。传统方法依赖人工标注或传统图像处理技术，面临低对比度、器官形态多变、背景干扰等多方面的挑战。近年来，深度学习在医学图像分割中展现出强大潜力，但现有模型仍存在以下问题：小器官或边界模糊区域的分割精度不足；训练过程依赖单一监督信号，易受噪声干扰。因此，亟需一种高精度的自动器官分割方法。

2025年1月15日，上海交通大学医学院源申康复研究院助理研究员李美育联合空军航空大学廉凤慧团队，在Scientific Reports发表了题为“Extracting organs of interest from medical images based on convolutional neural network with auxiliary and refined constraints”的研究论文。研究团队设计了辅助约束与精炼约束机制，通过在训练过程中提供多重监督指导来优化能量函数，从而增强模型的特征捕捉能力。具体而言，在辅助约束方面，研究团队在传统网络中引入卷积结构作为判别器，构建了对抗性网络框架；基于该框架，进一步通过向分割网络引入第二判别器来建立精炼对抗机制。精炼约束的引入有助于改善训练状态并提升其分割特征收集能力，进而优化分割模型性能。

研究团队分别在胰腺数据集和肝脏数据集对模型的分割性能进行评估。实验结果表明，该模型在胰腺分割任务中达到当前最优算法水平，在肝脏分割任务中超越大多数先进方法。在两组数据集上取得的分割结果阐释了该模型在器官分割任务中的有效性。该研究通过辅助约束与精炼约束机制的双重监督，显著提升了模型在医学图像分割中的精度与鲁棒性，为临床自动化分析提供了新思路，未来可扩展至更多模态及实时分割场景。该图像分析方法将拓展到脑卒中病灶的精准分割，有利于对“病灶-脑网络-功能”进行深入分析，从而为患者的功能康复结局和个体化康复方案的制定提供线索。

上海交通大学医学院源申康复研究院助理研究员李美育为本论文的通讯作者。