近日，广西图像图形与智能处理实验室蓝如师教授和潘细朋教授团队在医学图像处理领域顶级国际会议International Conference on Medical Image Computing and Computer-Assisted Intervention（MICCAI 2026）上发表两篇学术论文，分别为“C²RM-Seg: Causal Counterfactual Reasoning with Structural-Semantic Priors for Weakly Supervised Histopathological Tissue Segmentation”和“PAVL: Enhancing Feature Prototype Alignment with Vision-Language Model for Semi-Supervised Medical Image Segmentation”。硕士研究生张华龙、况俊昌分别为两篇论文第一作者，蓝如师、潘细朋分别为通讯作者，我校为第一完成单位。MICCAI是中国计算机学会（CCF）推荐的B类国际学术会议，在医学图像计算领域具有重要国际影响力。

第一项工作C2RM-Seg聚焦弱监督病理组织分割中伪标签易受染色差异、扫描设备响应、组织处理伪影及背景纹理等混杂因素干扰的问题。这些因素容易造成类别激活图定位偏差、组织边界不连续和结构一致性不足。针对上述问题，研究团队提出了融合因果反事实推理与结构—语义先验的两阶段弱监督分割框架。

在伪标签生成阶段，因果反事实推理模块C²RM将图像特征分解为潜在因果因素，并通过可学习的因果结构实施反事实干预，从而抑制染色和背景信息引起的虚假关联，生成更符合真实组织形态的伪标签。在分割训练阶段，模型利用ResNeSt提取细粒度局部形态特征，引入冻结的DINOv3基础模型提供全局语义先验，并通过跨路径门控机制自适应调节语义信息的注入，在增强组织识别能力的同时保持边界细节。此外，研究团队设计了不确定性门控间隔损失，根据像素预测的不确定性动态调整约束强度，进一步降低残余伪标签噪声的影响。在BCSS-WSSS乳腺癌组织数据集和LUAD-HistoSeg肺腺癌组织数据集上的实验结果表明，C²RM-Seg在区域分割精度、边界质量和结构完整性等方面均优于现有弱监督方法。消融实验和特征可视化进一步验证了因果反事实推理、结构—语义融合及不确定性学习策略的有效性，为降低病理组织像素级标注成本、提升复杂组织边界的自动解析能力提供了新的技术路径。代码已开源：https://github.com/OceanPetal/C2AM-Seg。

图1 C²RM-Seg模型总体框架

图2 组织病理分割可视化对比结果

第二项工作PAVL针对半监督医学图像分割中标注成本高、类别特征区分度不足，以及视觉语言模型难以兼顾全局语义与局部结构等问题，提出特征原型对齐框架PAVL，旨在充分利用少量标注数据和大量未标注数据，提高相似组织及模糊边界的识别能力。

该框架包含统一表征匹配、原型对齐和视觉语言嵌入融合三个模块。其中，统一表征匹配模块用于对齐师生网络的体素级特征；原型对齐模块基于不确定性构建可靠类别原型，减少噪声伪标签干扰；视觉语言嵌入融合模块将CLIP文本语义与局部视觉特征结合，使模型在获取全局类别信息的同时保留精细空间结构。三个模块协同提升了半监督分割条件下的特征一致性、类别可分性和边界定位能力。在BraTS2019脑肿瘤MRI和私有肺腺癌CT数据集上的实验表明，PAVL在仅使用10%或20%标注数据时优于多种先进半监督分割方法。在20%标注比例下，其DSC分别达到86.10%和85.04%；消融实验进一步验证了三个模块的有效性与互补性。该研究为标注有限条件下的医学图像分割和临床影像定量分析提供了新的技术方案。相关代码已开源：https://github.com/junchangkuang1/PAVL。

图3  PAVL模型总体框架

图4 医学图像分割可视化结果