AttenScribble：用于涂鸦监督医学图像分割的注意力相似性学习

深度网络在医学图像分割中的成功在很大程度上依赖于大量标注的训练数据。然而，获取密集标注是一个耗时的过程。弱监督方法通常采用成本较低的监督形式，其中涂鸦因其灵活性近来开始受到欢迎。然而，由于缺乏形状和边界信息，训练一个能在未标注像素上泛化的涂鸦深度网络极具挑战性。在本文中，我们提出了一个简单而有效的涂鸦监督学习框架。受近期基于 Transformer 的分割进展启发，我们创建了一个可插拔的空间自注意力模块，该模块可以附加在任意全卷积网络 (FCN) 主干的任何内部特征层之上。该模块在保持卷积效率的同时注入了全局交互。基于此模块，我们构建了一个基于归一化和对称化注意力的相似性度量。这种注意力相似性导致了一种新颖的正则化损失，该损失强制分割预测与视觉亲和力之间的一致性。这种注意力相似性损失优化了 FCN 编码器、注意力映射和模型预测的对齐。最终，所提出的 FCN+Attention 架构可以在部分分割损失、定制的掩码条件随机场和所提出的注意力相似性损失这三个学习目标的组合指导下进行端到端训练。在公共数据集（ACDC 和 CHAOS）上的大量实验表明，我们的框架不仅优于现有的最先进方法，而且提供了接近全监督基准的性能。代码将在发表后提供。