在脊柱微创手术中，清晰识别神经根是辅助术中判断、降低误伤风险的重要环节。然而，受内镜视野狭窄、组织边界模糊、光照变化及器械遮挡等因素影响，神经根在术中图像中的分割仍面临挑战；同时，高质量像素级标注需要专业人员投入大量时间。针对这些问题，研究团队围绕经皮内镜腰椎间盘切除术（PELD）开展研究，提出一种结合半监督学习与 CNN–Transformer 特征建模的神经根分割框架，探索在有限标注条件下提升分割精度与稳定性的可行路径。相关成果于2026年8月以“Semi-supervised Nerve Segmentation forEnhanced Visualization in Percutaneous Endoscopic Lumbar Discectomy”为题，被期刊《Cyborg and Bionic Systems》接收。

PELD 通过狭窄的工作通道开展操作，神经根周围组织结构复杂，且不同手术入路下的神经根形态和周围组织背景存在差异。内镜图像还可能受到出血、照明变化、局部遮挡等因素影响，导致神经根边界不清晰。传统全监督分割方法通常依赖较大规模的精细标注数据，而临床图像标注成本较高，因此，如何充分利用未标注图像成为提升算法实用性的重要问题。

该框架采用 CNN–Transformer 混合骨干网络：CNN 用于提取局部纹理与空间细节，Transformer 用于建模较长距离的上下文关系；同时引入 DANetHead，强化特征中的空间关联与通道信息。

在脊柱内镜数据集上，团队将所提方法与 U2PL、CorrMatch、AllSpark、UniMatch 和 PrevMatch 等半监督分割方法进行比较。如图1可视化结果显示，该方法在不同手术入路的图像中能够较好地保持神经根分割区域的连续性，并减少部分方法出现的边界泄漏、局部缺失和碎片化现象。

该研究围绕微创脊柱手术中神经根可视化这一具体需求，将半监督学习、困难区域增强和混合特征建模相结合，为降低医学图像分割对密集人工标注的依赖提供了技术思路。未来仍需在更多病例、不同设备与复杂术中条件下进一步验证模型的可靠性，并结合临床工作流程评估其对术中观察和决策支持的实际价值。