RefineSeg：面向医学图像分割的双重由粗到细学习
计算机视觉与模式识别
2025-08-06 v1
摘要
医学图像的高质量像素级标注对于有监督分割任务至关重要，但获取此类标注成本高昂且需要医学专业知识。为了应对这一挑战，我们提出了一种新颖的由粗到细的分割框架，该框架完全依赖于粗粒度标注（包括目标绘制和互补绘制），尽管其本身存在噪声。该框架通过引入转移矩阵来建模粗标注中不准确和不完整的区域。通过在多组粗标注上进行联合训练，它逐步细化网络的输出并推断真实的分割分布，通过基于矩阵的建模实现了对精确标签的稳健逼近。为了验证所提方法的灵活性和有效性，我们在两个公开的心脏成像数据集 ACDC 和 MSCMRseg 上展示了结果，并在 UK Biobank 数据集上进一步评估了其性能。实验结果表明，我们的方法超越了最先进的弱监督方法，并与全监督方法紧密匹配。
引用
@article{arxiv.2508.02844,
title = {RefineSeg: Dual Coarse-to-Fine Learning for Medical Image Segmentation},
author = {Anghong Du and Nay Aung and Theodoros N. Arvanitis and Stefan K. Piechnik and Joao A C Lima and Steffen E. Petersen and Le Zhang},
journal= {arXiv preprint arXiv:2508.02844},
year = {2025}
}