TABNet：基于边界感知伪标签的三元组增强自恢复医学图像分割框架
计算机视觉与模式识别
2025-07-04 v1 机器学习
摘要
背景与目标：医学图像分割是各种临床应用中的核心任务。然而，获取大规模、完全标注的医学图像数据集既耗时又昂贵。作为稀疏标注形式的草图注释，为医学图像分割提供了高效且成本效益较好的替代方案。然而，草图注释的稀疏性限制了目标区域的特征学习，缺乏足够的边界监督，为训练分割网络带来了显著挑战。方法：我们提出TAB Net，这是一种新型弱监督医学图像分割框架，包含两个关键组件：三元组增强自恢复（TAS）模块和边界感知伪标签监督（BAP）模块。TAS模块通过三种互补的增强策略提升特征学习：强度变换提高模型对纹理和对比度变化的敏感性，cutout 通过遮蔽关键区域迫使网络捕获局部解剖结构，拼图增强通过破坏空间连续性强化对全局解剖布局的建模。通过引导网络从多样化的增强输入中恢复完整掩码，TAS 在稀疏监督下促进对医学图像的更深层语义理解。BAP模块通过融合双分支预测的损失加权伪标签，增强伪监督的准确性和边界建模，引入边界感知损失以实现精细的轮廓细化。结果：在两个公开数据集 ACDC 和 MSCMR seg 上的实验评估表明，TAB Net 在草图-based 弱监督分割方面显著优于最先进的方法，此外其性能甚至可与完全监督方法相当。
引用
@article{arxiv.2507.02399,
title = {TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation},
author = {Peilin Zhang and Shaouxan Wua and Jun Feng and Zhuo Jin and Zhizezhang Gao and Jingkun Chen and Yaqiong Xing and Xiao Zhang},
journal= {arXiv preprint arXiv:2507.02399},
year = {2025}
}