传统上，分割算法需要密集注释进行训练，特别是在 3D 医学图像领域，这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准，包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失，我们的方法能够在现有的分割方法中融入涂鸦标注，保持原始的损失公式，从而实现了当前最先进性能的一致表现。

Mar, 2024

本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略，并在公共心脏（ACDC）和前列腺（NCI-ISBI）分割数据集上进行评估，结果表明，草图训练的网络与使用完整注释训练的网络相比，其 Dice 系数的下降仅为 2.9％（心脏）和 4.5％（前列腺）。

Jul, 2018

本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

Mar, 2022

医学图像语义分割是科学研究和临床护理的重要部分。本文介绍了 ScribblePrompt，一种医学图像交互分割框架，它可以通过涂鸦、点击和边界框来使人类标注者对未知结构进行分割，具有较高的效率和性能。

Dec, 2023

本文提出了 Scribble2D5，一种基于涂鸦的体积图像分割方法，旨在改善 3D 异向图像分割和边界预测。通过引入标签传播模块，扩展了涂鸦的语义信息，并使用静态和主动边界预测的组合学习感兴趣区域的边界并规范其形状，与此同时，通过融合未配对分割掩码的形状先验信息进一步提高模型的准确性。通过在三个公开数据集和一个私有数据集上的广泛实验，证明了 Scribble2D5 在使用涂鸦和形状先验数据进行体积图像分割方面取得了最先进的性能。

Oct, 2023

利用涂鸦标注图片并开发了一种算法，将涂鸦作为监督信息来训练卷积网络的语义分割，并在 PASCAL VOC 数据集上获得较好结果。

Apr, 2016

通过自我注意力相似度损失的方法，本文提出了一种基于涂鸦监督学习的简单而有效的深度网络结构，用于医学图像分割。

Dec, 2023

本文提出了一种用于基于线条注释的医学图像分割的新型基于 CNN-Transformer 混合的方案，名为 ScribFormer，它具有三个分支结构：CNN 分支、Transformer 分支和注意力引导的类激活图（ACAM）分支。通过 CNN 分支与 Transformer 分支的协同作用，可以融合从 CNN 学习的局部特征和从 Transformer 得到的全局表示，从而有效克服了现有基于线条注释的分割方法的局限性。此外，ACAM 分支进一步帮助统一浅层卷积特征和深层卷积特征，以进一步提高模型的性能。在两个公共数据集和一个私有数据集上进行的大量实验证明，我们的 ScribFormer 模型在性能上优于最先进的基于线条注释的分割方法，并且甚至比完全监督的分割方法取得更好的结果。

Feb, 2024

本文提出了一种基于草图的体积图像分割方法 Scribble2D5，在 2.5D UNet 中增加了标签传播模块，通过组合静态和主动边界预测来学习感兴趣区域的边界并规范其形状，从而改善了弱标注图像分割的结果。在三个公共数据集上的实验表明，Scribble2D5 显著优于当前的基于草图的方法，并接近完全监督方法的性能。

May, 2022

用稀疏涂鸦监督的涂鸦增强方法进行基于弱监督语义分割，结合全局语义、类别信息和插值矫正，以及距离熵损失进行不确定性降低，实验证明该方法优于以往方法。

Feb, 2024