从稀疏点标签学习：针对 advanced ovarian cancer 评估中脂肪生长的密集定位
计算机视觉与模式识别
2025-07-10 v1 机器学习
摘要
稀疏标签在医学领域是常见的挑战。这主要归因于标注成本，尤其适用于新近提出的任务。当需要稠密像素级标注时，这将变得甚至不可行。然而，能够仅通过少量像素级注释进行学习，虽然极其困难且被低估，却可以推动那些尚无法获得完美标注的研究的进展。本 work 旨在解决从 2d 脂肪生长关键点稀疏点标注中进行密集预测任务（关键点定位）的挑战，这用于 advanced ovarian cancer 患者的诊断规划。为实现此目标，我们将问题形式化为从每张图像的少量点标注进行稀疏热图回归，并提出一种新型损失函数——Crag and Tail loss，以实现高效学习。我们提出的损失函数有效地利用稀疏正标签，同时最小化误报或漏标的影响。通过大量的消融研究，我们展示了该方法在实现脂肪生长关键点精确密集定位方面的有效性，凸显了其在稠密标注困难的场景中可能的应用前景。
引用
@article{arxiv.2507.06643,
title = {Learning from Sparse Point Labels for Dense Carcinosis Localization in Advanced Ovarian Cancer Assessment},
author = {Farahdiba Zarin and Riccardo Oliva and Vinkle Srivastav and Armine Vardazaryan and Andrea Rosati and Alice Zampolini Faustini and Giovanni Scambia and Anna Fagotti and Pietro Mascagni and Nicolas Padoy},
journal= {arXiv preprint arXiv:2507.06643},
year = {2025}
}