翻转学习：擦除以分割

从乳腺超声图像中分割结节具有挑战性，但对诊断至关重要。弱监督分割（WSS）有助于减少耗时且繁琐的手动标注。与现有弱监督方法不同，在本研究中，我们提出一种新颖且通用的称为 Flip Learning 的 WSS 框架，其仅需框标注。具体而言，标签框内的目标将被逐步擦除以翻转分类标签，最终被擦除的区域将被视为分割结果。我们的贡献有三方面。首先，我们提出的方案利用多智能体强化学习框架在超像素级别进行擦除，以利用先验边界知识并加速学习过程。其次，我们设计两种奖励：分类得分奖励与强度分布奖励，分别用于避免欠分割与过分割。第三，我们采用由粗到细的学习策略以减少残差误差并提升分割性能。在大型数据集上的广泛验证表明，我们提出的方法取得了具有竞争力的性能，并展现出缩小全监督与弱监督学习之间差距的巨大潜力。