MedCL：用于草图监督医学图像分割的一致解剖分布学习
计算机视觉与模式识别
2025-04-01 v1
摘要
大规模完全标注数据集昂贵、费力且麻烦，尤其是医学图像。文献中已提出若干方法利用以草图形式的弱标注。然而，这些方法需要大量草图标注，且仅适用于规则器官的分割，而这些器官常在长尾分布中的疾病类别中不可得。基于医学标签具有解剖分布先验观察，我们提出一种草图监督的聚类框架，称为 MedCL，用于学习医学标签的内在解剖分布。我们的方法包含两个步骤：i) 混合局部和跨图像的特征混合操作；ii) 在局部和全局层面进行特征聚类并正则化解剖分布。结合少量弱监督，MedCL 能够分割规则器官和具有挑战性的不规则病理。我们基于 SAM 和 UNet 网络实现 MedCL，在三个公开数据集上进行评估：MSCMRseg（规则结构）、BTCV（多器官）和 MyoPS（不规则病理）。结果显示，即使在较少草图监督下，MedCL 也显著优于传统分割方法。我们的代码已公开于 https://github.com/BWGZK/MedCL。
引用
@article{arxiv.2503.22890,
title = {MedCL: Learning Consistent Anatomy Distribution for Scribble-supervised Medical Image Segmentation},
author = {Ke Zhang and Vishal M. Patel},
journal= {arXiv preprint arXiv:2503.22890},
year = {2025}
}