基于弱监督的医学图像分割通用模型
计算机视觉与模式识别
2025-10-09 v2
摘要
医学图像分割的通用模型（如交互式和基于原语学习(ICL)的模型）具有强大的泛化能力，但需要大量标注。交互式模型需要为每个图像多次用户提示，而 ICL 则依赖稠密像素级标签。为此，我们提出弱监督原语学习(WS-ICL)，一种新的 ICL 范式，利用弱提示（如边界框或点）代替稠密标签作为上下文。该方法通过消除对所有图像的精细掩码和重复用户提示的需求，显著降低了标注成本。我们在三个独立基准上评估了 proposed WS-ICL 模型。实验结果表明，WS-ICL 在大幅降低标注成本的同时，达到与常规 ICL 模型相当的性能。此外，WS-ICL 在交互式范式下也表现出色。这些发现表明 WS-ICL 是医学图像分割更高效和统一通用模型的有前景的方向。我们的代码和模型已公开发布于 https://github.com/jiesihu/Weak-ICL。
引用
@article{arxiv.2510.05899,
title = {Efficient Universal Models for Medical Image Segmentation via Weakly Supervised In-Context Learning},
author = {Jiesi Hu and Yanwu Yang and Zhiyu Ye and Jinyan Zhou and Jianfeng Cao and Hanyang Peng and Ting Ma},
journal= {arXiv preprint arXiv:2510.05899},
year = {2025}
}