RADA：基于区域感知的双编码器辅助学习用于裸监督医学图像分割
计算机视觉与模式识别
2026-04-14 v1
摘要
深度学习已在医学图像分割中取得显著进展，但其成功依赖于高度监督的学习，需要大量标注。对于 3D 体积扫描，密集标注成本高昂且耗时。裸监督学习通过仅使用每个体积中少数几个标记切片来减少标注负担。现有方法通常通过几何连续性将稀疏标注传递到未标记切片以生成伪标签，但缺乏语义理解，常导致低质量的伪标签。此外，医学图像分割本质上是像素级视觉理解任务，其准确性根本取决于局部细粒度视觉特征的质量。灵感来自这一点，我们提出 RADA，一种 novel Region-Aware Dual-encoder Auxiliary learning pipeline，引入双编码器框架并预训练于 Alpha-CLIP，以从原始图像和有限标注中提取细粒度、区域特定的视觉特征。该框架将图像级细粒度视觉特征与文本级语义指导相结合，提供区域感知的语义监督，将图像级语义与像素级分割相连。集成到三视图训练框架中，RADA 在 LA2018、KiTS19 和 LiTS 上的极端稀疏标注设置下实现了 SOTA 水平，展现出对多样化数据集的稳健泛化能力。
引用
@article{arxiv.2604.11164,
title = {RADA: Region-Aware Dual-encoder Auxiliary learning for Barely-supervised Medical Image Segmentation},
author = {Shuang Zeng and Boxu Xie and Lei Zhu and Xinliang Zhang and Jiakui Hu and Zhengjian Yao and Yuanwei Li and Yuxing Lu and Yanye Lu},
journal= {arXiv preprint arXiv:2604.11164},
year = {2026}
}