面向部分标记医学图像分割的基础模型引导的迭代提示和伪标签生成
计算机视觉与模式识别
2026-04-02 v1
摘要
完全标记数据驱动的自动化医学图像分割取得了显著进展。然而，由于站点特定的临床优先事项和手动标注的高成本，常常导致仅标记了部分器官的扫描图像，产生部分标记问题，影响性能。为解决此问题，我们提出了 IPnP（Iteratively Prompting and Pseudo-labeling）框架，用于部分标记医学图像分割。IPnP 通过 specialist 可训练分割网络与 generalist 冻结基础模型之间的协作，迭代生成和细化未标记器官的伪标签，逐步恢复完整器官监督。在模拟部分标签设置下的公开数据集 AMOS 上，IPnP 始终优于先前方法，接近完全标记参考基准的性能。我们进一步在 210 例头颈癌患者的私有部分标记数据集上进行评估，展示了在真实临床环境中的有效性。
引用
@article{arxiv.2604.01038,
title = {Foundation Model-guided Iteratively Prompting and Pseudo-Labeling for Partially Labeled Medical Image Segmentation},
author = {Qiaochu Zhao and Wei Wei and David Horowitz and Richard Bakst and Yading Yuan},
journal= {arXiv preprint arXiv:2604.01038},
year = {2026}
}
备注
5 pages, 5 figures. Accepted for presentation at IEEE International Symposium on Biomedical Imaging (ISBI) 2026