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

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

通过引入多模态信息增强机制，结合基于标注线的方法和分割网络，提出了一种基于标注线监督的医学图像分割框架 (ScribbleVC)，通过统一利用 CNN 特征和 Transformer 特征来提取更好的视觉特征，并在三个基准数据集上的实验结果表明，该方法在准确性、鲁棒性和效率方面优于现有方法。

Jul, 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

本文提出了一种基于涂鸦标注的弱监督显著物体检测模型，通过辅助边缘检测任务和门控结构感知损失来改进涂鸦标注的边缘定位问题，同时使用基于结构的损失约束恢复结构的范围，并推出了一种衡量预测显著图的结构对齐度的新度量标准 —— 显著性结构度量。大量实验结果表明，该方法不仅优于现有的弱监督 / 无监督方法，而且与一些最先进的完全监督模型持平。

Mar, 2020

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

本文提出了一种动态交互和弱监督分割方法，以最小用户交互方式解决全幻灯组织病理图像分割中的两个主要挑战：缺乏手工标注的数据集来训练算法以及缺乏能够对话的交互模式，这在临床实践中可能是一个主要障碍。因此，我们提出了一种快速和用户导向的方法来弥合这一差距，让病理学家对最终结果有控制权的同时，限制所需交互的数量以获得良好的结果（仅需 4 次校正示意图即可在所有度量标准上实现 90％以上）。

Feb, 2024

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