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

本研究提出了一种基于 Scribble Learning 的医学图像分割新框架 CycleMix，采用 mixup 策略进行增强，针对不一致的分割目标采用一致性损失进行规范，实验结果表明，该方法在两个开放式数据集上均取得了比全监督方法更加优秀的表现。

Mar, 2022

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

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

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

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

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

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。

Aug, 2024