从少到多：基于涂鸦的医学图像分割通过掩模上下文建模和连续伪标签

Aug, 2024

从少到多：基于涂鸦的医学图像分割通过掩模上下文建模和连续伪标签

From Few to More: Scribble-based Medical Image Segmentation via Masked Context Modeling and Continuous Pseudo Labels

Zhisong Wang, Yiwen Ye, Ziyang Chen, Minglei Shu, Yong Xia

TL;DR本研究解决了当前涂鸦基础弱监督分割技术在稀疏标注下的性能和一致性问题。提出的MaCo框架结合了掩模上下文建模和连续伪标签，通过提升模型对不均匀标注的处理能力，改进了医学图像分割的效果。实验表明，MaCo在多个公共数据集上表现优越，推动了弱监督医学图像分割的发展。

Abstract

Scribble-based weakly supervised segmentation techniques offer comparable performance to fully supervised methods while significantly reducing annotation costs, making them an appealing alternative. Existing methods often rely on auxiliary tasks to enforce semantic consistency and use hard pseudo labels for supervision. However, these methods often overlook

发现论文，激发创造

仅使用草图监督学习医学图像分割

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

基于双分支网络和动态混合拟标注监督的涂鸦辅助医学图像分割

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

医学图像分割的标签高效混合监督学习

提出了一种新的基于混合监督的标签高效框架，该框架通过考虑每个弱注释实例并学习其权重，以更好地利用在强注释实例中的高质量先验知识并更精确地描绘弱注释实例。

Mar, 2022

Scribble2D5: 通过涂鸦注释进行弱监督体积图像分割

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

通过草图标注和形状先验进行体积医学图像分割

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

AttenScribble: 用于基于草图监督的医学图像分割的注意力相似性学习

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

尴尬地简单的涂鸦监督用于3D医学分割

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

医学影像分割：从传统模型到基础模型的超越像素级监督

医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

Apr, 2024

基于大小感知的跨形状涂鸦监督方法用于医学图像分割

本研究探讨了涂鸦监督在医学图像分割中面临的标注一致性和目标尺度适应性问题。我们提出了三种新方法：跨形状涂鸦标注、基于跨形状的伪掩膜方法以及大小感知多分支方法，显著提高了多种息肉数据集上的mDice得分。研究结果表明，这些方法的结合超越了现有的医学图像分割涂鸦监督方法的性能。

Aug, 2024

利用SAM生成注释的医学图像分割

本研究解决了医学图像分割领域中大型公开注释数据集稀缺的问题。通过利用Segment Anything Model（SAM）生成“伪标签”，并用其训练弱监督的UNet模型，我们发现边界框提示是一种简单有效的生成伪标签的方法。结果表明，该弱监督模型的表现与完全监督模型相当，具有显著的应用潜力。

Sep, 2024