FMaMIL：基于频率驱动的Mamba多实例学习用于医学图像中弱监督性皮肤病灶分割
计算机视觉与模式识别
2025-06-10 v1 人工智能
摘要
在组织病理学图像中对皮肤病灶进行精确分割对于诊断解释和量化分析至关重要，但由于昂贵的像素级标注稀缺，仍面临挑战。为此，我们提出FMaMIL，这是一个仅依赖图像级标签的弱监督皮肤病灶分割的新型双阶段框架。在第一个阶段，引入轻量级Mamba编码器，在MIL范式下捕获图像块之间的长程依赖关系。为增强空间灵敏性和结构意识，我们设计了可学习的频率域编码模块，将其空间域特征与频谱信息相补充。该阶段生成的CAM用于指导分割训练。在第二个阶段，我们通过CAM引导的软标签监督和自纠正机制对初始伪标签进行细化，在标签噪声严重的情况下仍能实现稳健的训练。在多个公共和私有组织病理学数据集上的大量实验表明，FMaMIL在不依赖像素级标注的情况下超过了当前弱监督方法，验证了其有效性和数字病理学应用的潜力。
引用
@article{arxiv.2506.07652,
title = {FMaMIL: Frequency-Driven Mamba Multi-Instance Learning for Weakly Supervised Lesion Segmentation in Medical Images},
author = {Hangbei Cheng and Xiaorong Dong and Xueyu Liu and Jianan Zhang and Xuetao Ma and Mingqiang Wei and Liansheng Wang and Junxin Chen and Yongfei Wu},
journal= {arXiv preprint arXiv:2506.07652},
year = {2025}
}