ZScribbleSeg：涂鸦监督医学图像分割的禅意与艺术

构建大规模全标注数据集既耗费人力又需要专业知识，对于医学图像尤其如此。为缓解此问题，我们提出仅利用涂鸦标注进行弱监督分割。现有解决方案主要利用仅在标注区域计算的特定损失函数，并通过将标签传播到相邻区域来生成伪金标准分割。然而，由于监督不足和形状特征不完整，这些方法可能受到不准确且有时不切实际的伪分割的影响。与以往工作不同，我们首先探究了“良好涂鸦标注”的原则，通过监督最大化和随机性模拟，得出了高效的涂鸦形式。此外，我们引入正则化项来编码空间关系和形状先验，并开发了一种新的公式来估计标签类别的混合比例。这些比例对于识别每个类别的未标记像素和纠正错误预测至关重要，因此准确的估计为空间先验的融入奠定了基础。最后，我们将高效的涂鸦监督与先验整合到一个统一框架中，命名为ZScribbleSeg，并将该方法应用于多种场景。仅利用涂鸦标注，ZScribbleSeg在ACDC、MSCMRseg、MyoPS和PPSS数据集上的四项分割任务中均达到了新的最优性能。