从少到多：基于掩码上下文建模和连续伪标签的涂鸦标注医学图像分割
计算机视觉与模式识别
2025-08-14 v2
摘要
基于涂鸦的弱监督分割方法在医学图像分割中展现出 promising 的结果，显著降低了标注成本。然而，现有方法通常依赖辅助任务来强制语义一致性，并使用硬伪标签进行监督，忽视了使用稀疏标注训练的模型所面临的独特挑战。这些模型必须从有限的数据中预测像素级分割图，因此有效处理不同丰富度的标注至关重要。本文提出了MaCo，一种基于“从少到多”原则设计的用于医学图像分割的弱监督模型。MaCo利用掩码上下文建模(MCM)和连续伪标签(CPL)。MCM采用基于注意力的掩码策略扰动输入图像，确保模型预测与原始图像的预测保持一致。CPL通过将指数衰减函数应用于距离图，将涂鸦标注转换为连续的像素级标签，生成表示每个像素属于特定类别可能性的置信度图，而非依赖硬伪标签。我们在三个公开数据集上评估了MaCo，并将其与其他弱监督方法进行了比较。结果表明，MaCo在所有数据集上均优于其他方法，在弱监督医学图像分割领域树立了新的标杆。
引用
@article{arxiv.2408.12814,
title = {From Few to More: Scribble-based Medical Image Segmentation via Masked Context Modeling and Continuous Pseudo Labels},
author = {Zhisong Wang and Yiwen Ye and Ziyang Chen and Minglei Shu and Yanning Zhang and Yong Xia},
journal= {arXiv preprint arXiv:2408.12814},
year = {2025}
}
备注
13 pages, 10 figures, 10 tables, JBHI