NULLBUS：基于可空全局-局部提示的乳腺超声分割多模态混合监督

乳腺超声 (BUS) 分割提供了用于计算机辅助诊断和治疗规划的肿瘤边界。虽然基于提示的方法可以在文本或空间提示可用时提高分割性能和肿瘤描绘，但许多公共 BUS 数据集缺乏可靠的元数据或报告，限制了仅限于小型多模态子集的训练，降低了鲁棒性。我们提出了 NullBUS，一种学习具有和不具有提示图像的单一模型的多模态混合监督框架。为了处理缺失的文本，我们引入可空提示 (nullable prompts)，其实现为具有存在掩码的可学习空嵌入，使在元数据缺失时能够回退到仅限图像的证据，并在可用时使用文本。评估在三个公共 BUS 数据集的统一池中进行，NullBUS 实现了 0.8568 的平均 IoU 和 0.9103 的平均 Dice，显示出在混合提示可用性下的时代级性能。