享受信息红利：基于视线追踪的医学弱监督分割
计算机视觉与模式识别
2025-05-29 v1
摘要
医学图像中的弱监督语义分割（WSSS）在有效利用稀疏标注方面面临挑战。WSSS的一个有前景的方向是利用视线注视标注，这些标注是通过眼动仪记录诊断过程中感兴趣区域而获得的。然而，现有的基于视线的方法（如GazeMedSeg）并未充分利用视线数据中蕴含的丰富信息。在本文中，我们提出了GradTrack，这是一个利用医生视线追踪（包括注视点、持续时间和时间顺序）来增强WSSS性能的框架。GradTrack包含两个关键组件：视线追踪图生成和追踪注意力，它们在解码过程中通过多级视线监督协同实现渐进式特征细化。在Kvasir-SEG和NCI-ISBI数据集上的实验表明，GradTrack始终优于现有的基于视线的方法，Dice分数分别提升了3.21%和2.61%。此外，GradTrack显著缩小了与nnUNet等全监督模型的性能差距。
引用
@article{arxiv.2505.22230,
title = {Enjoying Information Dividend: Gaze Track-based Medical Weakly Supervised Segmentation},
author = {Zhisong Wang and Yiwen Ye and Ziyang Chen and Yong Xia},
journal= {arXiv preprint arXiv:2505.22230},
year = {2025}
}
备注
10 pages, 4 figures, MICCAI 2025 (Early Accept)