翻转学习：基于弱监督的乳腺超声肿瘤分割
计算机视觉与模式识别
2025-11-04 v4 人工智能
机器学习
摘要
准确分割乳腺超声(BUS)和3D自动乳腺超声(ABUS)中的肿瘤对于临床诊断和治疗规划至关重要。因此，开发肿瘤分割的自动化系统可以增强用户独立性并加速临床分析。不同于完全监督学习，弱监督分割(WSS)可以简化繁琐且复杂的标注过程。然而，当前的WSS方法面临在实现精确肿瘤分割方面的挑战，因为许多方法依赖于不准确的激活图或低效的伪掩码生成算法。本研究引入一种基于多智能体强化学习的新型弱监督分割框架，称为翻转学习，它仅依赖于2D/3D框即可实现精确分割。具体而言，采用多个智能体通过框内擦除目标来促进分类标签翻转，擦除区域即为预测的分割掩码。本研究的关键贡献包括：(1)采用基于超像素/超体素的方法对标准化环境进行编码，捕获边界先验并加速学习过程；(2)引入三个精心设计的奖励，包括分类得分奖励和两种强度分布奖励，以精准引导智能体的擦除过程，从而避免过度分割和不足分割；(3)实施渐进式课程学习策略，使智能体以逐步增加的难度与环境交互，从而提高学习效率。在大型本地BUS和ABUS数据集上进行广泛验证，我们的翻转学习方法超越了最先进的WSS方法和基础模型，实现的性能与完全监督学习算法相当。
引用
@article{arxiv.2503.20685,
title = {Flip Learning: Weakly Supervised Erase to Segment Nodules in Breast Ultrasound},
author = {Yuhao Huang and Ao Chang and Haoran Dou and Xing Tao and Xinrui Zhou and Yan Cao and Ruobing Huang and Alejandro F Frangi and Lingyun Bao and Xin Yang and Dong Ni},
journal= {arXiv preprint arXiv:2503.20685},
year = {2025}
}
备注
Accepted by Medical Image Analysis. 24 pages, 13 figures, 20 tabels