基于渐进伪掩码细化的弱监督教师-学生框架用于腺体分割
计算机视觉与模式识别
2026-03-16 v3 人工智能
摘要
背景与目标：结直肠癌组织病理分级取决于准确的腺体结构分割。当前深度学习方法依赖大规模像素级标注，这在日常临床实践中代价高昂且难以获得。弱监督语义分割提供了有前景的替代方案。然而，基于类激活图的方法常产生不完整的伪掩码，仅强调高度判别性区域，无法监督未标注的腺体结构。我们提出一种弱监督教师学生框架，利用稀疏病理学家标注和指数移动平均稳定的教师网络生成细化的伪掩码。方法：该框架集成置信度过滤、教师预测与有限真实标记的自适应融合，以及课程引导的细化，以逐步分割未标注的腺体区域。该方法在东州医学中心的结直肠癌队列中评估，包含 60 例HE染色 whole slide 图像，以及公开数据集包括 Gland Segmentation 数据集、TCGA COAD、TCGA READ 和 SPIDER。结果：在 Gland Segmentation 数据集上，框架实现了 80.10 的平均交并比和 89.10 的平均 Dice 系数。跨队列评估显示在 TCGA COAD 和 TCGA READ 上无需额外标注即可实现稳健的泛化，而在 SPIDER 上表现下降反映了域迁移。结论：所提出的框架提供了一种高效且可泛化的用于结直肠组织病理中腺体分割的方法。
引用
@article{arxiv.2603.08605,
title = {Weakly Supervised Teacher-Student Framework with Progressive Pseudo-mask Refinement for Gland Segmentation},
author = {Hikmat Khan and Wei Chen and Muhammad Khalid Khan Niazi},
journal= {arXiv preprint arXiv:2603.08605},
year = {2026}
}