SP³：基于超像素传播的弱半监督医学图像分割伪标签学习

深度学习-based 医学图像分割有助于辅助诊断并加快治疗进程，但模型训练通常需要大规模稠密标注数据集。弱半监督医学图像分割是一种essential application，因为它只需要少量草图和大量未标注数据来训练模型，从而大大减轻临床医生对图像完全标注的工作量。为处理弱半监督分割（WSSS）中监督信息不足的挑战，提出了一种基于超像素传播的伪标签（SP³）学习方法，使用超像素中包含的结构信息作为补充信息。具体而言，将草图的标注传播到超像素上，从而获得用于监督训练的稠密标注。由于伪标签质量受低质量标注的限制，因此使用动态阈值筛选出有益的超像素来细化伪标签。此外，为缓解伪标签中噪声的负面影响，引入了超像素级别的不确定性，以指导伪标签监督，实现稳定学习。我们的方法在肿瘤和器官分割数据集上均实现了WSSS设置下的状态-of-the-art性能，仅需相当于完全监督方法的3%标注工作量，即可达到约80%的Dice得分。此外，我们的方法在弱监督和半监督设置下均优于八个弱监督和半监督方法。广泛实验结果验证了我们弱半监督分割有效性和标注效率，这有助于临床医生快速实现器官或肿瘤的自动分割，从而最终惠及患者。