基于双分支网络与动态混合伪标签监督的涂鸦监督医学图像分割

医学图像分割在计算机辅助诊断、治疗规划和随访中发挥着不可替代的作用。收集并标注大规模数据集对训练强大的分割模型至关重要，但生成高质量分割掩码是一项昂贵且耗时的过程。近来，使用稀疏标注（点、涂鸦、边界框）进行网络训练的弱监督学习取得了令人鼓舞的性能，并展现出降低标注成本的潜力。然而，由于稀疏标注的监督信号有限，直接将其用于网络训练仍具挑战性。在本工作中，我们提出一种简单而高效的涂鸦监督图像分割方法，并将其应用于心脏 MRI 分割。具体而言，我们采用带一个编码器和两个略有不同解码器的双分支网络进行图像分割，并动态混合两个解码器的预测以生成伪标签用于辅助监督。通过结合涂鸦监督与辅助伪标签监督，该双分支网络能够从涂鸦标注中端到端高效学习。在公开 ACDC 数据集上的实验表明，我们的方法优于当前涂鸦监督分割方法，并也超越若干半监督分割方法。