多器官分割：标注稀缺下学习范式的渐进式探索

从医学图像中精确勾勒人体多个器官或异常区域，在计算机辅助诊断、手术模拟、图像引导干预，尤其是放射治疗计划中发挥着至关重要的作用。因此，探索自动分割方法具有重要意义，其中基于深度学习的方法发展迅速，在多器官分割中取得了显著进展。然而，获取规模适当且细粒度的多器官标注数据集极其困难且成本高昂。这种标注稀缺性限制了高性能多器官分割模型的发展，但也催生了许多标注高效的学习范式。其中，利用外部数据集的迁移学习、使用未标注数据集的半监督学习以及整合部分标注数据集的部分监督学习，已成为打破多器官分割这一困境的主导途径。我们首先回顾了传统的全监督方法，然后从技术和方法论两个角度，对上述 3 种学习范式在多器官分割背景下的应用进行了全面系统的阐述，最后总结了它们面临的挑战与未来趋势。