ScribbleVS：基于动态竞争伪标签选择的涂鸦监督医学图像分割
计算机视觉与模式识别
2025-10-30 v2
摘要
在临床医学中，精确的图像分割能为临床医生提供实质性支持。然而，获得高质量分割通常需要大量像素级标注，这既费时又昂贵。涂鸦标注通过提高标注效率提供了一种更具成本效益的替代方案。尽管如此，利用这种稀疏监督训练可靠的医学图像分割模型仍是一个重大挑战。一些研究采用伪标签来增强监督，但这些方法易受噪声干扰。为应对这些挑战，我们提出了 ScribbleVS，一个旨在从涂鸦标注中学习的框架。我们引入了区域伪标签扩散模块，以扩大监督范围并减轻伪标签中噪声的影响。此外，我们引入了动态竞争选择模块，以在伪标签选择中实现增强的细化。在 ACDC、MSCMRseg、WORD 和 BraTS2020 数据集上的实验展示了有希望的结果，达到了与全监督模型相当的分割精度。本研究的代码可在 https://github.com/ortonwang/ScribbleVS 获取。
引用
@article{arxiv.2411.10237,
title = {ScribbleVS: Scribble-Supervised Medical Image Segmentation via Dynamic Competitive Pseudo Label Selection},
author = {Tao Wang and Xinlin Zhang and Zhenxuan Zhang and Yuanbo Zhou and Yuanbin Chen and Longxuan Zhao and Chaohui Xu and Shun Chen and Guang Yang and Tong Tong},
journal= {arXiv preprint arXiv:2411.10237},
year = {2025}
}