TopoPult-SSL：基于自蒸馏弱临床先验的无腺体掩膜跨设备睑板腺分割
本文提出TopoPult-SSL，一种两阶段框架，用于跨设备睑板腺分割。第一阶段无需目标腺体掩膜，仅利用睑缘轮廓和临床元数据作为弱先验；第二阶段当目标腺体掩膜可用时，通过监督自蒸馏将互补的多教师知识压缩至单一学生模型。在MGD-1k到CAMG基准上，蒸馏模型Dice达0.716，超越UA-MT和集成教师，且仅需单次推理。无腺体掩膜变体精度0.694，显著优于SAM/MedSAM。
近日，来自意大利的研究团队在 arXiv 上发表了题为《TopoPult-SSL: Gland-Mask-Free Cross-Device Meibomian Gland Segmentation via Self-Distilled Weak Clinical Priors》的论文，提出了一种创新的两阶段分割框架，旨在解决跨临床成像设备的睑板腺分割难题。该工作由 Nicolò Savioli 和 Luca Del Tongo 共同完成。
在临床实践中，新型成像设备常带来域偏移问题。获取高密度的腺体掩膜成本高昂，而诸如睑缘轮廓、Pult 分级、形态计量比等临床信号却易于记录。TopoPult-SSL 充分利用这些“弱先验”，分两阶段实现高效分割。
第一阶段（适应阶段）无需目标域的腺体掩膜参与训练损失。研究者设计了四个由目标睑缘掩膜和临床元数据驱动的弱先验锚点，使源域预训练模型能够适应目标域，避免了对昂贵密级掩膜的依赖。
第二阶段（蒸馏阶段）在目标腺体掩膜可用时启动。该阶段通过监督自蒸馏技术，将来自第一阶段的多个互补教师模型的知识压缩至单个紧凑的学生网络。蒸馏后的学生模型仅需单次推理即可取得优异性能。
为了验证方法有效性，研究团队在公共基准 MGD-1k 到 CAMG（1000 张至 100 张图像，不同设备）上进行了评估。蒸馏模型达到了 Dice 0.716±0.006（最佳 0.726），超过了对比方法 UA-MT（0.710）和集成教师模型（0.720）。特别值得关注的是，无腺体掩膜的第一阶段变体在精度上达到 0.694，而通用分割模型 SAM/MedSAM 仅为 0.30–0.34（p<0.001），展现了无需密集腺体轮廓标注即可部署的可能。
研究者已公开发布代码和可复现脚本，为跨设备临床图像分割提供了新的解决思路。该工作未来有望减轻眼科医生的手动标注负担，并促进睑板腺功能障碍等疾病的自动化筛查。