摘要：
半监督医学图像分割利用少量标注 + 大量无标注数据，降低放射科医生标注成本。现有半监督方法分为三类：一致性正则、伪标签、对抗学习，但存在明显缺陷：大多忽略体素级不确定性，对边界模糊、高不确定区域处理差；不同类别在特征空间区分度不足，视觉相似的组织 / 病灶容易混淆。
虽然CLIP 等视觉语言模型具备强大高层语义，可以缓解类别混淆，但其输出是粗粒度全局嵌入，丢失医学影像需要的局部精细空间结构；现有基于 CLIP 的半监督医学分割方法，没有充分挖掘无标注数据细粒度空间结构特征。本文提出 PAVL 完整框架，包含 URM、PA、EFCLIP 三大核心模块，在公开数据集与自有临床数据集取得 SOTA 结果。
方法：
Unified Representation Matching（URM）
传统半监督的师生模型，学生网络、教师网络输出的特征通道、特征分布不完全对齐。直接做知识蒸馏，在模糊边界、高不确定性体素区域效果差。URM 目标是把学生、教师的特征映射到同一个特征空间，实现体素粒度上的特征对齐，为后续学习做准备。
学生网络输出的特征Xs与教师网络输出的特征Xt，经过共享的适配器和SE注意力通道，得到标定后的特征，输入分类头h,输出体素级预测概率，之后根据这个概率计算一个对齐损失L，来使教师网络与学生网络的输出特征对齐。
两个l分别是学生网络与教师网络对应体素i的概率。
Prototype Alignment（PA)
在半监督医学分割场景下：如果直接使用全部体素去计算类别原型，会引入大量高噪声、高不确定性的体素（比如边界模糊区域），让原型偏离真实的数据分布；同时全部体素参与运算显存开销很大。传统原型方法简单对体素特征取平均，完全忽略每个体素本身的置信度 / 不确定性。医学图像存在大量边界歧义区域，普通欧氏距离只看特征向量均值，忽略特征本身的离散程度，度量效果有限。
PA核心思想：依据体素不确定性筛选高置信样本，用高斯分布建模体素特征，逆方差加权构建类别原型，使用 Wasserstein‑2 距离完成体素‑原型分布对齐，得到修正后的伪标签，用于一致性损失训练。
首先，解码器输出特征图，经过投影网络，得到每个位置的特征j(x,y)，然后计算每个特征的方差，该方差可以表示该体素的置信度，方差越小，体素特征越稳定、置信度越高。
只保留方差落在这个区间内的特征，过滤掉不确定性过高（噪声）与过低（信息量不足）的体素，得到候选可靠特征集合 (M(X)，只用这部分体素参与原型更新，降低噪声干扰，节省显存。
然后把体素特征建模为多元高斯分布，不再把体素仅仅看作一个向量点，而是看作一个分布：
从候选集选出方差最小的Np个体素，生成类别C的原型：
然后计算Wasserstein‑2 距离度量体素分布与原型分布的匹配度：
最后依据W2距离，对教师模型输出的伪标签进行修正，得到新的伪标签；然后计算损失，
Embedding Fusion CLIP（EFCLIP）
CLIP 预训练视觉‑语言模型擅长提取全局高层语义，但它的原始输出是粗粒度全局特征。直接把 CLIP 用在 3D 体素级医学分割会有明显短板：CLIP 缺少局部精细空间信息，难以区分视觉上很相似的体素 / 组织；CLIP 文本嵌入是全局向量，没有和每个空间位置的体素特征做结合；
EFCLIP 目标：将 CLIP 的全局文本语义先验，和学生网络输出的体素级局部空间特征做融合，通过语义对比损失对齐视觉‑文本表征，提升相似体素之间的区分能力。
具体流程为：1 分别获得CLIP文本特征与学生模型的视觉特征；2.将文本特征与视觉特征逐元素相乘，得到融合之后的全局特征；然后融合特征与文本特征做对比学习，希望来自类别j区域的融合特征，和第j类对应的文本特征相似度尽可能高；和其余类别文本特征相似度尽量低。 通过这个对比损失，校正视觉特征的语义偏移，增强细粒度分割能力。
最后将该对比损失加入到总损失中：
实验：
这篇文章的实验很少，一个主实验一个消融
