MS-KD：使用多个二进制标记数据集的多器官分割

基于部分标注数据集的增量学习多器官分割

Incremental Learning for Multi-organ Segmentation with Partially Labeled Datasets

Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）

针对部分标注且顺序构建的医学图像数据集，提出基于增量学习的多器官分割方法，并推测分布差异是灾难性遗忘的关键原因，通过五个开源数据集验证了方法的有效性与推测的正确性。

2021-03-08cs.CV

学习修补：用于3D器官分割的域自适应形状补全

Learning to In-paint: Domain Adaptive Shape Completion for 3D Organ Segmentation

本文提出将形状学习建模为MLM修补任务，并通过形状感知自蒸馏迁移形状知识，在五个器官分割数据集上于多种无监督域适应场景中实现一致提升。

2023-08-17cs.CV

基于协同训练加权平均模型的多器官分割

Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets

SenseTime Research（商汤科技研究院）；School of Information Science and Engineering at Shandong Normal University（山东师范大学信息科学与工程学院）；CUHK-SenseTime Joint Laboratory, The Chinese University of Hong Kong（香港中文大学-商汤科技联合实验室）

多器官分割在许多临床应用中具有广泛的应用。为了分割多个感兴趣的器官，通常很难在同一图像上收集所有器官的完整注释，因为一些医疗中心可能由于其自身的临床实践而仅注释器官的一部分。在大多数情况下，可以从一个训练集获得单个或几个器官的注释，并且从另一组训练图像获得其他器官的注释。现有的方法大多为每个器官子集训练和部署单个模型，这是存储密集型的并且也是时间效率低的。在本文中，我们提出共同训练加权平均模型，以从少数器官数据集中学习统一的多器官分割网络。我们协作训练两个网络，并让耦合的网络在未注释的器官上相互教导。为了减轻网络之间的嘈杂的教学监督，加权平均模型被用来产生更可靠的软标签。此外，一个新的区域掩模被用来选择性地施加一致的约束上的未标注的器官区域，需要合作的教学，这进一步提高了性能。在三个公共可用的单器官数据集LiTS，KiTS，Pancreas和MOBA手动构建的单器官数据集上进行的大量实验表明，我们的方法可以更好地利用少数器官数据集，并以更少的推理计算成本实现卓越的性能。

2020-08-17cs.CV

用于跨模态腹部多器官分割的无源无监督领域自适应

Source-free unsupervised domain adaptation for cross-modality abdominal multi-organ segmentation

The Chinese University of Hong Kong（香港中文大学）；University of Leicester（莱斯特大学）

在腹部多器官分割中，领域自适应是将知识从源标记CT数据集转移到目标未标记MR数据集的关键。同时，避免与目标数据集相关的高注释成本并保护源数据集隐私是非常可取的。因此，我们提出了一种有效的无源无监督领域自适应方法，用于跨模态腹部多器官分割，而无需源数据集访问。拟议的框架包括两个阶段。在第一阶段中，结合熵最小化的特征地图几何学引导的模型自适应被开发以帮助顶部分割网络可靠地分割目标图像。从顶部分割网络输出的伪标签用于引导风格补偿网络生成源图像。从中间分割网络输出的伪标签用于监督所需模型（底部分割网络）的学习进度。在第二阶段，循环学习和像素自适应掩模细化用于进一步提高所需的模型性能。使用这种方法，我们取得了令人满意的腹部多器官分割性能，优于现有的国家的最先进的领域自适应方法。所提出的方法可以很容易地扩展到目标注释数据存在的情况。只有一个标记的MR卷，性能可以与监督学习的性能持平。此外，该方法被证明是有效的无源无监督领域自适应在反向。

2022-05-28cs.CV

通过少标签半监督学习提升巩膜分割性能

Boosting Sclera Segmentation through Semi-supervised Learning with Fewer Labels

Hainan University（海南大学）；University of Technology Sydney（悉尼科技大学）

针对高质量标注巩膜数据集稀缺导致分割精度受限的问题，本文提出融合领域改进与空间变换的半监督巩膜分割框架，同时构建真实眼部诊断数据集，实验证明该方法在少标签场景下效果优于现有方法。

2025-01-13cs.CV

Continual Segment：迈向CT扫描中143个全身器官的单一、统一且可访问的持续分割模型

Continual Segment: Towards a Single, Unified and Accessible Continual Segmentation Model of 143 Whole-body Organs in CT Scans

DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Hupan Lab（湖畔实验室）；University at Buffalo（布法罗大学）；Sichuan Cancer Hospital（四川省肿瘤医院）；The First Affiliated Hospital of Zhejiang University（浙江大学医学院附属第一医院）

针对多器官持续分割难题，提出单一统一的分割框架，利用冻结编码器与增量解码器，结合知识蒸馏和异常感知模块，在2500+患者CT上实现143个全身器官的高精度分割。

2023-09-03cs.CV

从无监督域适应视角重新思考极弱监督体积医学图像分割

Rethinking Barely-Supervised Volumetric Medical Image Segmentation from an Unsupervised Domain Adaptation Perspective

School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院）；Alberta Machine Intelligence Institute, University of Alberta（阿尔伯塔大学阿尔伯塔机器智能研究所）

本文针对极弱监督体积医学图像分割中配准伪标签不可靠的问题，提出将其形式化为无监督域适应问题，并设计 BvA 框架，结合 NFC 无噪声标注构建与 FSX 域偏移缓解策略，在仅一个极弱标注图像下取得 81.20% Dice，显著超越现有方法。

2024-09-04cs.CV

切至混合：在有限器官分割数据集中，简单数据增强优于复杂方法

Cut to the Mix: Simple Data Augmentation Outperforms Elaborate Ones in Limited Organ Segmentation Datasets

Pattern Recognition Lab, Department of Computer Science, Friedrich-Alexander-Universität Erlangen-Nürnberg, Martensstr. 3, 91058 Erlangen, Germany（模式识别实验室，计算机科学系，弗赖堡-艾尔兰根-纽伦堡大学，马滕斯街3号，91058埃尔朗根，德国）；Siemens Healthineers, 91027 Forchheim, Germany（西门子医疗影像集团，91027福尔希姆，德国）

本文发现CutMix是一种简单有效的数据增强策略，能显著提升多器官分割性能，即使生成图像看似错误。

2026-02-03cs.CV

SS-CADA：一种半监督的跨解剖域自适应冠状动脉分割方法

SS-CADA: A Semi-Supervised Cross-Anatomy Domain Adaptation for Coronary Artery Segmentation

Shanghai Jiao Tong University（上海交通大学）；Peking Union Medical College Hospital（北京协和医院）

利用卷积神经网络分割冠状动脉是一种很有前途的方法，但需要大量的人工标注。从广泛可用的公共标记眼底图像（FI）中的视网膜血管转移知识有可能减少X射线血管造影（XA）中冠状动脉分割的注释要求，因为它们具有共同的管状结构。然而，由于在甚至不同的成像协议下的不同解剖区域中的本质上不同的血管特性，其受到跨解剖结构域移位的挑战。为了解决这个问题，我们提出了一个半监督跨解剖结构域自适应（SS-CADA），它只需要有限的注释冠状动脉在XA。在少量标记的XA和公开可用的标记的FI的监督下，我们提出了一种血管特异性批量归一化（VSBN），考虑到它们不同的跨解剖血管特征，对它们的特征图进行单独归一化。此外，为了进一步提高注释效率，我们采用了自组装均值教师（SEMT），通过施加预测一致性约束，利用丰富的未标记的XA。大量的实验表明，我们的SS-CADA是能够解决具有挑战性的跨解剖结构域转移，实现准确的分割冠状动脉只给少量的标记的XA。

2021-05-06cs.CVeess.IV

无监督跨域学习及其在OCT七层分割中的应用

Unsupervised cross domain learning with applications to 7 layer segmentation of OCTs

University of Washington（华盛顿大学）；Moorfields Eye Hospital（莫菲尔德眼科医院）；University College London（伦敦大学学院）

用于OCT 7层分割和其他医学应用的无监督跨域自适应，其中标记的训练数据仅在源域中可用，在目标域中不可用。我们提出的方法有助于将深度学习推广到医学领域的许多领域，在这些领域中，获取标记的训练数据既昂贵又耗时，或者目标领域太新颖而无法进行标记。

2021-11-23cs.CVeess.IV

CT中交叉教学教师的知识蒸馏用于有效的半监督腹部器官分割

Knowledge Distillation from Cross Teaching Teachers for Efficient Semi-Supervised Abdominal Organ Segmentation in CT

Armed Forces Yangju Hospital（杨州武装部队医院）；Seoul National University（首尔国立大学）

对于用于医学图像分割的深度学习模型的更多临床应用，必须解决对标记数据和计算资源的高要求。该研究提出了一个由粗到细的框架，其中包含两个教师模型和一个学生模型，该框架结合了知识蒸馏和交叉教学，基于伪标签的一致性正则化，用于有效的半监督学习。在MICCAI FLARE 2022挑战下，在CT图像中的腹部多器官分割任务上证明了所提出的方法，验证集和测试集中的平均Dice分数分别为0.8429和0.8520。

2022-11-11cs.CVeess.IV

基于知识蒸馏的青鳉鱼多器官分割

A Knowledge Distillation framework for Multi-Organ Segmentation of Medaka Fish in Tomographic Image

RPTU Kaiserslautern-Landau（莱茵兰-普法尔茨州凯泽斯劳滕-兰道应用技术大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Heidelberg University（海德堡大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））

形态学图谱是生物体研究中的重要工具，现代高通量计算机断层扫描（CT）设备可以产生数百个生物体的全身高分辨率体积图像。然而，从这些体积创建图谱需要精确的器官分割。在过去的十年中，机器学习方法在图像分割任务中取得了令人难以置信的结果，但它们需要大量的注释数据进行训练。在本文中，我们提出了一个自我训练的框架，用于青鳉鱼断层图像中的多器官分割。我们利用来自预训练的教师模型的伪标记数据，并采用质量分类器来改进伪标记数据。然后，我们引入了一个逐像素的知识蒸馏方法，以防止过拟合的伪标记数据，提高分割性能。实验结果表明，我们的方法在完整数据集上将平均交集（IoU）提高了5.9%，并且在使用三倍标记的同时保持了质量。

2023-02-24cs.CVcs.LG

基于半监督学习的急性缺血性脑卒中病灶自动分割

Automatic acute ischemic stroke lesion segmentation using semi-supervised learning

Nankai University（南开大学）；Guilin University of Electronic Technology（桂林电子科技大学）；Tianjin Huanhu Hospital（天津市环湖医院）

缺血性脑卒中是老年人群的常见病，可导致长期残疾甚至死亡。然而，缺血性卒中急性期的治疗时间窗非常短。为了快速定位和定量评估急性缺血性卒中（AIS）病变，文献中提出了许多基于深度学习的病变分割方法，其中深度卷积神经网络（CNN）在数百个完全标记的受试者上进行训练，并对AIS病变进行准确注释。尽管可以实现高分割精度，但是准确的标签应该由有经验的临床医生注释，因此获得大量完全标记的受试者非常耗时。在本文中，我们提出了一种半监督的方法来自动分割AIS病变的扩散加权图像和表观扩散系数图。通过使用大量的弱标记的主题和少量的完全标记的主题，我们提出的方法能够准确地检测和分割AIS病变。具体地说，我们提出的方法包括三个部分：1）一个弱监督训练的双路径分类网络（DPC-Net）用于检测AIS病变的可疑区域; 2）一个像素级的K-Means聚类算法用于识别DWI上的高强度区域; 3）区域生长算法结合DPC网络和K-Means的输出，得到最终的精确病灶分割。在我们的实验中，我们使用460弱标记的主题和15个完全标记的主题训练和微调所提出的方法。通过对150个完全标记的受试者的临床数据集进行评估，我们提出的方法实现了平均骰子系数为0.642，病变方面的F1得分为0.822。

2020-09-20cs.CVcs.LGeess.IV

用于子宫层分割的无监督对抗域自适应：从带标签的电影MRI到无标签的动态EPI MRI

Unsupervised Adversarial Domain Adaptation for Uterine layer Segmentation: From Labeled Cine to Unlabeled Dynamic EPI MRI

Institute of Radiology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学弗里德里希-亚历山大分校埃尔朗根大学医院放射学研究所）；CAIMED（CAIMED机构）；L3S（L3S机构）；Institut für Informationsverarbeitung, Leibniz University Hannover（汉诺威莱布尼茨大学信息处理研究所）

该研究针对子宫层分割问题，提出无监督对抗域自适应框架，迁移电影MRI的分割知识至动态EPI MRI，结合Unet-LSTM与多尺度域判别器，实现了良好的分割效果，为探究子宫收缩性与T2*变化的关联提供了可行方法。

2026-08-05cs.CVeess.IV

面向腹部器官与肿瘤分割的迭代半监督学习

Iterative Semi-Supervised Learning for Abdominal Organs and Tumor Segmentation

The Hong Kong University of Science and Technology（香港科技大学）

针对腹部CT器官与肿瘤分割中标注数据不足的问题，提出基于半监督学习与迭代伪标签的方法，在FLARE23数据集上验证了分割性能。

2023-10-02cs.CVcs.LGeess.IV

面向腹部多器官与肿瘤分割的持续学习

Continual Learning for Abdominal Multi-Organ and Tumor Segmentation

Johns Hopkins University（约翰斯·霍普金斯大学）

针对医学影像分割中隐私约束导致的灾难性遗忘问题，提出带类别专属轻量头且整合CLIP嵌入的持续学习架构，结合伪标签提升腹部器官与肿瘤分割的新旧类别性能。

2023-07-21cs.CVcs.LGeess.IV

基于深度学习的分割需要很少的标记模板

Few Labeled Atlases are Necessary for Deep-Learning-Based Segmentation

Cornell University（康奈尔大学）

我们解决生物医学图像分割的情况下，只有几个标记的大脑MR图像。这在医疗应用中是一项重要且具有挑战性的任务，其中手动注释是耗时的。当前基于多图谱的分割方法使用图像配准来将来自标记图像的片段扭曲到新的扫描上。在不同的范例中，基于监督学习的分割策略已经流行起来。这些方法一致地使用相对大的标记训练数据集合，并且它们在少数标记生物医学图像的范围内的行为尚未被彻底评估。在这项工作中，我们提供了两个重要的结果分割的情况下，很少有标记的图像。首先，我们提出了一个简单的实现高效的半监督学习为基础的注册方法，我们展示了多图集分割框架。其次，通过广泛的实证研究，我们评估了监督分割方法的性能，其中训练图像通过随机变形进行增强。令人惊讶的是，我们发现，在这两种范式中，准确的分割通常是可能的，即使在很少的标记图像的背景下。

2020-01-13cs.CV

一种用于衡量图像分割质量的标记数组距离度量

A Labeled Array Distance Metric for Measuring Image Segmentation Quality

SEE-Insight Research Lab, Michigan State University, East Lansing, MI, USA（密歇根州立大学SEE-Insight研究实验室）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Smith College（史密斯学院）

本文提出LAD和MADLAD两种线性复杂度距离度量，用于比较标记数组，以评估图像分割算法输出与地面真值的相似度，助力遗传算法搜索最优分割方案。

2024-06-12cs.CV

具有少量标记源数据的无监督域自适应眼底图像分割

Unsupervised Domain Adaptive Fundus Image Segmentation with Few Labeled Source Data

University of Sydney（悉尼大学）

基于深度学习的分割方法已被广泛用于自动青光眼诊断和预后。在实践中，由不同眼底相机获得的眼底图像在照明和强度方面显著变化。尽管最近的无监督领域自适应（UDA）方法增强了模型在未标记目标眼底数据集上的泛化能力，但它们通常需要来自源域的足够标记数据，从而带来辅助数据采集和注释成本。为了进一步提高眼底图像跨域分割方法的数据效率，我们在这项工作中使用少量标记的源数据来探索UDA视盘和视杯分割问题。我们首先设计了一个基于搜索的多风格不变机制，以增加源数据的风格和数据量。其次，提出了一种前景物体的原型一致性机制，以便于在不同图像风格下对每种组织进行特征对齐。此外，交叉风格的自监督学习阶段的进一步设计，以提高对目标图像的分割性能。我们的方法已经优于几个国家的最先进的UDA分割方法下的UDA眼底分割与标记的源数据很少。

2022-10-10cs.CV

基于基础模型的迭代提示与伪标签方法用于部分标注的医学图像分割

Foundation Model-guided Iteratively Prompting and Pseudo-Labeling for Partially Labeled Medical Image Segmentation

Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系）；Department of Radiation Oncology, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心放射肿瘤科）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）；Herbert Irving Comprehensive Cancer Center, Columbia University（哥伦比亚大学赫伯特·欧文综合癌症中心）；Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院放射肿瘤科）

本文提出IPnP框架，通过训练网络与冻结基础模型协作，迭代生成并优化未标注器官的伪标签，提升部分标注条件下医学图像分割性能。

2026-04-01cs.CV

GuidedMix-Net：基于标记图像的半监督语义分割

GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference

Shenzhen Microbt Electronics Technology Co., Ltd（深圳比特微电子科技有限公司）；Tencent Jarvis Lab（腾讯贾维斯实验室）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Xiamen University（厦门大学）；National Center for Artificial Intelligence, Saudi Data and Artificial Intelligence Authority（沙特数据和人工智能管理局国家人工智能中心）

半监督学习是一个具有挑战性的问题，其目的是通过从有限的标记样本中学习来构建模型。许多用于此任务的方法都集中在仅利用未标记实例一致性的预测来正则化网络。然而，单独处理标记和未标记的数据往往会导致丢弃从标记的例子中学习到的大量先验知识。%，以及未能挖掘标记和未标记图像对之间的特征交互。在本文中，我们提出了一种新的半监督语义分割的方法命名为GuidedMix-Net，利用标记的信息来指导学习的未标记的实例。具体来说，GuidedMix-Net采用三种操作：1）相似的标记-未标记图像对的插值; 2）互信息的传递; 3）伪掩码的泛化。它通过将标记样本的知识转移到未标记数据中，使分割模型能够学习未标记数据的更高质量的伪掩模。随着对标记数据的监督学习，未标记数据的预测与从混合数据生成的伪掩码联合学习。在PASCAL VOC 2012和Cityscapes上进行的大量实验证明了我们的GuidedMix-Net的有效性，与以前的方法相比，它实现了具有竞争力的分割精度，并将mIoU显著提高了+7 $\%$。

2021-12-28cs.CV

弱标记教学视频中任务识别和动作分割的层次化建模

Hierarchical Modeling for Task Recognition and Action Segmentation in Weakly-Labeled Instructional Videos

University of Texas at Arlington（德克萨斯大学阿灵顿分校）

本文重点关注弱标记教学视频中的任务识别和动作分割，其中在训练期间仅提供视频级动作的有序序列。我们提出了一个双流框架，它利用语义和时间层次结构来识别教学视频中的顶级任务。此外，我们提出了一种新的自上而下的弱监督动作分割方法，其中预测任务用于约束细粒度动作序列的推理。在流行的Breakfast and Cooking 2数据集上的实验结果表明，我们的双流分层任务建模在所有数据集和指标的顶级任务识别中显着优于现有方法。此外，在所提出的自上而下的动作分割方法中使用我们的任务识别框架，始终提高了最新技术水平，同时还将分割推理时间减少了80- 90%。

2021-10-12cs.CV

主动学习改进的卫星图像半监督语义分割

Active Learning for Improved Semi-Supervised Semantic Segmentation in Satellite Images

Orbital Insight（轨道洞察公司）；Yale University（耶鲁大学）

遥感数据对于从监测森林火灾和森林砍伐到跟踪城市化的各种应用至关重要。这些任务中的大多数都需要模型的密集像素级注释，以便从这些卫星图像可用的有限标记数据中解析视觉信息。由于缺乏高质量的标记训练数据在这个领域，有必要集中在半监督技术。这些技术从一小组标记的示例中生成伪标签，这些示例用于增强标记的训练集。这就需要有一个高度代表性和多样性的标记训练集。因此，我们建议使用基于主动学习的采样策略来选择具有高度代表性的标记训练数据集。我们证明了我们提出的方法的有效性，现有的两个语义分割数据集包含卫星图像：UC Merced土地利用分类数据集和DeepGlobe土地覆盖分类数据集。我们报告了27%的改进mIoU与少至2%的标记数据，使用主动学习采样策略随机采样标记的训练数据的小集合。

2021-10-15cs.CV

基于变换一致自集成模型的半监督皮肤病变分割

Semi-supervised Skin Lesion Segmentation via Transformation Consistent Self-ensembling Model

The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology, Inc.（Imsight医疗科技公司）

皮肤镜图像上的皮肤病变自动分割是黑色素瘤计算机辅助诊断的重要组成部分。最近，已经提出了许多基于全监督深度学习的方法用于自动皮肤病变分割。然而，这些方法需要经验丰富的皮肤科医生进行大量的像素级注释，这非常昂贵且耗时。在本文中，我们提出了一种新的半监督皮肤病变分割方法，利用标记和未标记的数据。通过仅针对标记输入的共同监督损失和针对标记和未标记数据的正则化损失的加权组合来优化网络。在本文中，我们提出了一种新的皮肤病变分割的半监督方法，其中网络通过仅标记输入的共同监督损失和标记和未标记数据的正则化损失的加权组合进行优化。我们的方法鼓励使用不同正则化下的训练网络输出对未标记图像进行一致的预测，以便可以利用未标记数据。为了利用未标记的数据，我们的方法鼓励训练中的网络在不同的正则化下对相同的输入进行一致的预测。针对半监督分割问题，我们在自集成模型中引入了一种包括旋转和翻转在内的一致性变换方案，增强了正则化对像素级预测的效果。仅用300个标记的训练样本，我们的方法就在国际皮肤成像合作组织（ISIC）2017皮肤病变分割挑战的基准上创造了新的记录。这样的结果显然超过了用2000个标记数据训练的完全监督的最先进技术。

2018-08-12cs.CV

MISm：一种评价弱标记数据的医学图像分割度量

MISm: A Medical Image Segmentation Metric for Evaluation of weak labeled Data

University of Augsburg（奥格斯堡大学）；University Hospital Augsburg（奥格斯堡大学医院）

性能指标是评估和比较不同医学图像分割算法的重要工具。不幸的是，目前的措施在评估某些边缘情况时有其弱点。当评估具有非常小的感兴趣区域或根本没有感兴趣区域的图像时，这些限制就会出现。作为这些限制的解决方案，我们提出了一个新的医学图像分割度量：MISm。为了评估MISm，在医学图像分割和MISm的流行指标进行了比较，使用磁共振断层扫描图像从几个场景。为了允许在社区中的应用和实验结果的再现性，我们将MISm包括在公开可用的评估框架MISeval中：https://github.com/frankkramer-lab/miseval/tree/master/miseval

2022-10-24cs.CV

ThreshGuide：用于半监督三维腹部多器官分割的类感知标签引导阈值化

ThreshGuide: Class-Aware Labeled-Guided Thresholding for Semi-Supervised 3D Abdominal Multi-Organ Segmentation

School of Intelligent Science and Technology, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院智能科学与技术学院）

提出ThreshGuide类感知阈值自适应框架，利用标注数据指导半监督腹部多器官分割的伪标签选择，在FLARE2022和AMOS2022上提升难学习器官的分割性能。

2026-09-15cs.CV

HALOS：器官切除手术后的无幻觉器官分割

HALOS: Hallucination-free Organ Segmentation after Organ Resection Surgery

Ludwig Maximilians University（路德维希-马克西米利安大学）；Technical University Munich（慕尼黑工业大学）

基于深度学习的医学图像分割的广泛研究推动了众多应用的边界。较少受到关注的临床相关问题是处理具有不规则解剖结构的扫描，例如，在器官切除后。最先进的分割模型通常会导致器官幻觉，即，器官的假阳性预测，这不能通过过采样或后处理来缓解。出于对开发强大的深度学习模型的日益增长的需求，我们提出了用于处理器官切除手术后病例的MR图像中的腹部器官分割的HALOS。为此，我们将缺失器官分类和多器官分割任务结合到一个多任务模型中，产生一个分类辅助分割管道。分割网络通过特征融合模块学习合并有关器官存在的知识。在小标记测试集和大规模英国生物银行数据上的广泛实验证明了我们的方法在更高的分割Dice分数和接近零的假阳性预测率方面的有效性。

2023-03-14cs.CV

面向半监督医学图像分割的双向复制粘贴方法

Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation

East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）

针对半监督医学图像分割中标记与未标记数据分布失配的问题，提出基于Mean Teacher架构的双向复制粘贴方法，通过双向混合数据与一致监督缩小分布差距，在多个数据集上取得显著性能提升。

2023-05-01cs.CV

双镜头视频对象分割

Two-shot Video Object Segmentation

Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）

以前的视频对象分割（VOS）工作是在密集注释的视频上训练的。然而，获取像素级的注释是昂贵且耗时的。在这项工作中，我们证明了在稀疏注释的视频上训练一个令人满意的VOS模型的可行性-我们只需要每个训练视频两个标记帧，同时保持性能。我们将这种新的训练范例称为两次视频对象分割，或简称为两次VOS。其基本思想是在训练过程中为未标记的帧生成伪标签，并在标记和伪标记数据的组合上优化模型。我们的方法非常简单，可以应用于大多数现有的框架。我们首先以半监督的方式在稀疏注释的视频上预训练VOS模型，第一帧总是标记的。然后，我们采用预训练的VOS模型为所有未标记的帧生成伪标签，这些伪标签随后存储在伪标签库中。最后，我们在标记和伪标记数据上重新训练VOS模型，而对第一帧没有任何限制。我们首次提出了一种在两次VOS数据集上训练VOS模型的通用方法。通过使用YouTube-VOS和DAVIS基准测试的7.3%和2.9%的标记数据，我们的方法与在完全标记集上训练的同行相比，取得了相当的结果。代码和模型可在https://github.com/yk-pku/Two-shot-Video-Object-Segmentation上获得。

2023-03-21cs.CV

基于掩码的半监督语义分割数据增强

Mask-based Data Augmentation for Semi-supervised Semantic Segmentation

Illinois Institute of Technology（伊利诺伊理工学院）

使用卷积神经网络（CNN）进行语义分割是图像分析中的重要组成部分。训练CNN以执行语义分割需要大量的标记数据，其中这种标记数据的产生既昂贵又劳动密集。半监督学习算法通过利用未标记数据来解决这个问题，从而减少训练所需的标记数据量。特别地，诸如CutMix和ClassMix的数据增强技术从现有的标记数据生成附加的训练数据。在本文中，我们提出了一种新的数据增强的方法，称为复杂混合，它结合了CutMix和ClassMix的方面，提高了性能。所提出的方法具有控制增强数据的复杂性的能力，同时试图在语义上正确，并解决复杂性和正确性之间的权衡。所提出的ComplexMix方法在标准数据集上进行评估，用于语义分割，并与其他最先进的技术进行比较。实验结果表明，我们的方法产生的改进国家的最先进的方法对标准数据集的语义图像分割。

2021-01-25cs.CV

半监督分割迭代自训练的GIST和RIST

The GIST and RIST of Iterative Self-Training for Semi-Supervised Segmentation

University of Guelph（圭尔夫大学）；Vector Institute（向量研究所）；Modiface, Inc.（Modiface公司）；University of Toronto（多伦多大学）

我们考虑半监督语义分割的任务，我们的目标是产生像素级的语义对象掩码，只给出少量的人类标记的训练样本。我们专注于迭代自我训练方法，在其中我们探索了多个细化阶段的自我训练行为。我们发现，如果使用固定比例的人工标记和伪标记训练样本天真地进行迭代自训练，则会导致性能下降。我们提出了贪婪迭代自训练（GIST）和随机迭代自训练（RIST）策略，这些策略在每个细化阶段交替使用人工标记数据或伪标记数据进行训练，从而提高性能而不是降低性能。我们进一步表明，GIST和RIST可以与现有的半监督学习方法相结合，以提高性能。

2022-04-29cs.CV

基于多尺度特征提取的部分标记数据集多器官分割

Multi-organ Segmentation over Partially Labeled Datasets with Multi-scale Feature Abstraction

Rensselaer Polytechnic Institute（伦斯勒理工学院）

缺乏完全注释的数据集一直是开发基于深度学习的图像分割算法的限制因素，并且该问题在多器官分割中变得更加明显。在本文中，我们提出了一种统一的训练策略，使一种新的多尺度深度神经网络能够在多个部分标记的数据集上进行训练，用于多器官分割。此外，提出了一种新的多尺度特征提取网络结构，将金字塔输入和特征分析集成到U型金字塔结构中。为了弥补直接合并不同尺度特征所造成的语义鸿沟，引入了等卷积深度机制。此外，我们采用深度监督机制来细化不同尺度的输出。为了充分利用所有尺度的分割特征，我们设计了一个自适应加权层，以自动方式融合输出。所有这些机制一起被集成到一个金字塔输入金字塔输出特征提取网络（PIPO-FAN）。我们提出的方法在四个公开可用的数据集上进行了评估，包括BTCV，LiTS，KiTS和脾脏，其中已经实现了非常有前途的性能。这项工作的源代码在https://github.com/DIAL-RPI/PIPO-FAN上公开共享，以便其他人轻松复制这项工作并使用引入的机制构建自己的模型。

2020-06-06cs.CV

基于学习的LiDAR序列训练人体分割和速度估计

Learning-Based Human Segmentation and Velocity Estimation Using Automatic Labeled LiDAR Sequence for Training

Tokyo Institute of Technology（东京工业大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）

在本文中，我们提出了一个自动标记的顺序数据生成流水线的人体分割和速度估计与点云。考虑到深度神经网络的影响，已经提出了使用由光检测和测距（LiDAR）捕获的点云进行人类识别的最先进的网络架构。然而，一个缺点是，遗留数据集可能只覆盖图像域，而不提供重要的标签信息，这种限制已经扰乱了迄今为止的研究进展。因此，我们开发了一个自动标记的顺序数据生成流水线，在其中我们可以控制任何参数或数据生成环境，具有逐像素和逐帧的地面真值分割和逐像素的速度信息，用于人类识别。我们的方法使用精确的人体模型，并再现精确的运动，以生成逼真的人工数据。我们提出了超过7K的视频序列，其中包括由建议的管道生成的32帧。与建议的序列发生器，我们确认，人类分割性能提高时，使用视频域相比，使用图像域。我们还通过与不同条件下生成的数据进行比较来评估我们的数据。此外，我们估计行人速度与激光雷达只利用所提出的管道生成的数据。

2020-03-11cs.CV

COSST：利用全面监督和自训练在部分标注数据集上进行多器官分割

COSST: Multi-organ Segmentation with Partially Labeled Datasets Using Comprehensive Supervisions and Self-training

Siemens Healthineers（西门子医疗）；Vanderbilt University（范德堡大学）

针对医学影像多器官分割中数据集仅部分标注的问题，提出COSST两阶段框架，融合真值与伪标签监督并通过潜在空间离群点过滤自训练，在12个CT数据集上显著优于现有方法。

2023-11-01cs.CV

从部分标记数据中学习多器官和肿瘤分割

Learning from partially labeled data for multi-organ and tumor segmentation

Northwestern Polytechnical University（西北工业大学）；The University of Adelaide（阿德莱德大学）；Alibaba DAMO Academy（阿里巴巴达摩院）；Zhejiang University（浙江大学）

用于器官和肿瘤分割的医学图像基准由于其密集的劳动力和专业知识成本而遭受部分标记问题。目前的主流方法遵循一个网络解决一个任务的做法。使用这种流水线，不仅性能受到单个任务的典型小数据集的限制，而且计算成本随着任务数量线性增加。为了解决这个问题，我们提出了一个基于Transformer的动态按需网络（transDoDNet），它可以学习在多个部分标记的数据集上分割器官和肿瘤。具体而言，TransDoDNet具有由卷积神经网络和Transformer组成的混合骨干。动态头使网络能够灵活地完成多个分段任务。与现有的在训练后固定内核的方法不同，动态头部中的内核由Transformer自适应地生成，该transformer采用自注意力机制来对长距离器官依赖性进行建模，并对可以代表每个器官的器官嵌入进行解码。我们创建了一个大规模的部分标记的多器官和肿瘤分割基准，称为MOTS，并证明了我们的TransDoDNet在七个器官和肿瘤分割任务上优于其他竞争对手的性能。本研究还提供了一个通用的3D医学图像分割模型，该模型已在大规模MOTS基准上进行了预训练，并表现出优于BYOL（当前占主导地位的自监督学习方法）的先进性能。代码将在\url{https://git.io/DoDNet}上提供。

2022-11-13cs.CV

以CT图像中的肝脏分割为例，使用自动编码器对标记和未标记数据进行3D医学图像分割

3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images

Eindhoven University of Technology（埃因霍温理工大学）；Philips GmbH Innovative Technologies（飞利浦创新技术有限公司）

使用卷积神经网络（CNN）自动分割解剖结构构成了医学图像分析研究的很大一部分。大多数基于CNN的方法依赖于大量的标记数据进行适当的训练。有标签的医疗数据通常很稀缺，但无标签的数据更容易获得。这需要超越传统监督学习的方法，并利用未标记的数据进行分割任务。这项工作研究了自动编码器提取的功能，以改善分割与CNN的潜力。考虑了两种战略。首先，转移学习，其中预训练的自动编码器特征被用作分割网络中卷积层的初始化。第二，多任务学习，其中分割和特征提取的任务，通过输入重构，同时学习和优化。卷积自动编码器用于从未标记数据中提取特征，多尺度、全卷积CNN用于执行CT图像中3D肝脏分割的目标任务。对于这两种策略，使用不同数量的标记和未标记训练数据进行实验。与从头开始训练相比，所提出的学习策略改善了实验中$75\%$的结果，并将骰子得分分别提高到$0.040$和$0.024$，其中未标记训练数据与标记训练数据的比例分别为约$32 : 1$和$12.5 : 1$。结果表明，这两种训练策略都是更有效的未标记的大比例标记的训练数据。

2020-03-17cs.CVeess.IV

基于模型自适应与集成的定制化多器官分割

Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble

Zhejiang University（浙江大学）；Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州高等研究院）；Ritsumeikan University（立命馆大学）；University of Science and Technology of China（中国科学技术大学）

本文提出一种双阶段方法，通过模型自适应和模型集成组合现成单器官分割模型，在无需多器官标注数据的情况下构建高精度定制化多器官分割模型，并在四个腹部数据集上验证了其有效性。

2023-04-14cs.CV

Few-Shot三维点云语义分割

Few-shot 3D Point Cloud Semantic Segmentation

National University of Singapore（新加坡国立大学）

许多现有的3D点云语义分割方法都是完全监督的。这些完全监督的方法严重依赖于大量的标记训练数据，这些数据很难获得，并且在训练后不能分割新的类。为了减轻这些限制，我们提出了一种新的注意力感知的多原型转换Few-Shot点云语义分割方法来分割新的类给出了一些标记的例子。具体来说，每个类由多个原型表示，以模拟标记点的复杂数据分布。随后，我们采用了一个转导标签传播方法，利用标记的多原型和未标记的点之间的亲和力，以及未标记的点之间。此外，我们设计了一个注意力感知的多层次特征学习网络来学习识别特征，这些特征可以捕获点之间的几何依赖性和语义相关性。我们提出的方法与不同的Few-Shot点云语义分割设置（即，2/3-路1/5-拍摄）在两个基准数据集。我们的代码可在https://github.com/Na-Z/attMPTI上获得。

2021-03-29cs.CV

部分监督多器官医学图像分割中的有标签到无标签分布对齐

Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation

The Hong Kong University of Science and Technology（香港科技大学）；Huazhong University of Science and Technology（华中科技大学）

本文针对部分监督多器官分割中有标签与无标签像素分布不匹配的问题，提出LTUDA框架，通过跨集合数据增强和基于原型的分布对齐提升判别能力，在多个数据集上超越现有部分监督甚至全监督方法。

2024-09-05cs.CV

端到端对抗性形状学习在腹部器官深度分割中的应用

End-to-End Adversarial Shape Learning for Abdomen Organ Deep Segmentation

University of Florida（佛罗里达大学）；NVIDIA（英伟达）

利用医学图像自动分割腹部器官在临床工作流程中具有许多潜在的应用。最近，器官分割的最先进性能已经通过深度学习模型实现，即，卷积神经网络（CNN）。然而，训练传统的基于CNN的器官分割模型是具有挑战性的，它知道器官的形状和拓扑结构。在这项工作中，我们通过引入一种新的端到端形状学习架构-器官点网络来解决这个问题。它以深度学习特征作为输入，并生成器官形状表示作为位于器官表面上的点。随后，我们提出了一种新的对抗性形状学习目标函数来优化点网络，以更好地捕获形状信息。我们以多任务方式训练点网络和基于CNN的分割模型，以便共享网络参数可以从形状学习和分割任务中受益。我们证明了我们的方法与三个具有挑战性的腹部器官，包括肝脏，脾脏和胰腺。点网络生成具有细粒度细节的表面点，并且发现它对于改善器官分割至关重要。因此，通过引入形状学习改进了深度分割模型，因为观察到脾脏和胰腺分割的Dice分数明显更好。

2019-10-15cs.CV

GuidedNet：通过有标签数据引导无标签数据的半监督多器官分割

GuidedNet: Semi-Supervised Multi-Organ Segmentation via Labeled Data Guide Unlabeled Data

Beihang University（北京航空航天大学）；University of Chinese Academy of Sciences（中国科学院大学）；Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院）；University of Science and Technology Beijing（北京科技大学）

GuidedNet 利用有标签数据的特征分布和先验知识，通过 3D-CGMM 与 KT-CPS 策略引导无标签数据训练，提升半监督多器官分割中小型和复杂器官的分割精度。

2024-09-02cs.CV

一种基于不确定性的改进不良标记分割数据集的方法

Uncertainty-based method for improving poorly labeled segmentation datasets

Philips AI Research（飞利浦人工智能研究院）

用于图像分割的现代深度学习算法的成功在很大程度上取决于具有干净像素级注释（掩模）的大型数据集的可用性，其中感兴趣的对象被准确地描绘出来。在数据注释过程中缺乏时间和专业知识会导致不正确的边界和标签噪音。众所周知，深度卷积神经网络（DCNN）甚至可以记住完全随机的标签，导致准确性差。我们提出了一个框架，训练二进制分割DCNN使用不可靠的像素级注释集。错误标记的像素被识别的基础上估计的任意不确定性的分割，并重新标记为真值。

2021-02-16cs.AIcs.CV

EventSSEG：基于事件驱动的自监督分割与概率注意力机制

EventSSEG: Event-driven Self-Supervised Segmentation with Probabilistic Attention

Defence Research and Development Organization, Bangalore and Indian Institute of Science, Bangalore（国防研究与发展组织、班加罗尔和印度科学学院，班加罗尔）；Department of Electronics Systems Engineering, Indian Institute of Science, Bangalore（电子系统工程系，印度科学学院，班加罗尔）

针对自动驾驶道路分割中基于帧相机的低延迟低计算挑战，提出EventSSEG方法，通过仅事件计算、概率注意力机制和基于事件的自监督学习，在DSEC-Semantic和DDD17数据集上以少量标注事件实现最先进性能。

2025-08-20cs.CV

基于联邦部分监督和部位自适应的多部位器官分割

Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation

Beijing UCAS Space Technology Co., Ltd.（北京国科大空间技术有限公司）；University of Science and Technology of China（中国科学技术大学）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）

目标和影响声明：准确的器官分割对于不同临床地点的许多临床应用至关重要，这些临床地点可能具有涉及不同器官的特定应用要求。简介：然而，学习高质量的、特定于部位的器官分割模型是具有挑战性的，因为它通常需要现场管理大量带注释的图像。安全问题使问题更加复杂。方法：本文旨在通过两阶段聚合然后适应的方法来应对这些挑战。联合聚合的第一阶段通过利用“更大数据”的力量来学习单个多器官分割模型，所述“更大数据”通过以下方式形成：（i）将来自具有不同器官标签的多个站点的数据集聚合在一起以提供部分监督，以及（ii）在没有数据泄露的情况下进行部分监督学习。站点自适应的第二阶段是将联合多器官分割模型转换为特定于站点的器官分割模型，每个站点一个模型，以便进一步提高每个站点的器官分割任务的性能。此外，改进的边际损失和排斥损失函数被用来避免部分监督机制中的“知识冲突”问题。结果与结论：在五个器官分割数据集上的广泛实验证明了我们的多站点方法的有效性，显著优于站点本身学习模型，并实现了与集中学习模型相当的性能。

2023-02-08cs.CV

前景分割中的视觉边界知识翻译

Visual Boundary Knowledge Translation for Foreground Segmentation

Zhejiang University（浙江大学）；Zhejiang Lab（之江实验室）；Stevens Institute of Technology（斯蒂文斯理工学院）；Jiangsu University of Science and Technology（江苏科技大学）

当面对图像中未知类型的物体时，人类可以毫不费力地精确地说出它们的视觉边界。这种识别机制和潜在的泛化能力似乎与依赖于大规模类别感知注释训练样本的最先进的图像分割网络形成对比。在本文中，我们尝试构建明确考虑视觉边界知识的模型，希望减少分割未见过类别的训练工作。具体来说，我们研究了一个新的任务，称为边界知识翻译（BKT）。给定一组完全标记的类别，BKT的目标是将从标记类别中学习到的视觉边界知识转换为一组新的类别，每个类别仅提供少量标记样本。为此，我们提出了一个翻译分割网络（Trans-Net），它包括一个分割网络和两个边界判别器。分割网络结合边界感知的自监督机制进行前景分割，而两个判别器以对抗的方式共同工作，以确保在轻监督下准确分割新类别。详尽的实验表明，只有几十个标记样本作为指导，Trans-Net实现了与完全监督方法相当的接近结果。

2021-08-01cs.CV

自动小鼠器官分割：基于深度学习的解决方案

Automated Mouse Organ Segmentation: A Deep Learning Based Solution

InferLink Corporation（InferLink公司）；Fred Hutch Cancer Research Center（弗雷德·哈钦森癌症研究中心）

在临床前药物开发阶段，动物横截面图像（如实验室小鼠的横截面）的分析对于评估实验药物的效果（如候选化合物的生物分布）至关重要。放射性标记的候选治疗性化合物的组织分布可以使用如定量全身放射自显影（QWBA）的技术来定量。QWBA尤其依赖于动物横截面图像中感兴趣的关键器官（例如脑、脊柱、心脏、肝脏等）的准确分割或识别。我们提出了一个基于深度学习的器官分割解决方案来解决这个问题，使用它，我们可以实现高精度的自动器官分割（取决于器官的骰子系数在0.83-0.95范围内）的关键器官的兴趣。

2018-07-16cs.CV

CORA: 一致性引导的半监督框架用于推理分割

CORA: Consistency-Guided Semi-Supervised Framework for Reasoning Segmentation

Stony Brook University（石溪大学）；UNC-Charlotte（北卡罗来纳大学夏洛特分校）

CORA通过一致性引导的半监督方法实现高效推理分割，在Cityscapes和PanNuke数据集上分别提升2.3%和2.4%

2025-11-21cs.CV

探索面向半监督LiDAR语义分割的场景亲和力

Exploring Scene Affinity for Semi-Supervised LiDAR Semantic Segmentation

School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）；School of Computer Science and Technology, Hainan University（海南大学计算机科学与技术学院）；School of Electronic Information, Wuhan University（武汉大学电子信息学院）；State Key Lab. of LIESMARS, Wuhan University（武汉大学LIESMARS国家重点实验室）；Institute for Math & AI, Wuhan University（武汉大学数学与人工智能研究院）

本文提出AIScene方法，通过移除无伪标签点确保场景内前后向传播一致性，并结合多场景混合增强，显著提升了半监督LiDAR语义分割性能。

2025-04-01cs.CV

使用合成和真实数据的全景分割

Panoptic Segmentation using Synthetic and Real Data

University of Catania（卡塔尼亚大学）；Next Vision s.r.l.（Next Vision有限公司）

能够理解用户与周围环境之间的关系有助于在工作场所帮助用户。例如，从通过可穿戴设备收集的图像和视频中了解用户正在与哪些对象交互，可以用于通知工人特定对象的使用情况，以便提高生产率并防止事故。尽管现代视觉系统可以依赖于用于目标检测、语义和全景分割的高级算法，但这些方法仍然需要大量的特定于领域的标记数据，这在工业场景中可能难以获得。出于这种观察，我们提出了一个管道，允许从真实环境和真实物体的3D模型生成合成图像。生成的图像会自动标记，因此可以轻松获得。利用所提出的流水线，我们生成一个数据集，包括自动标记为全景分割的合成图像。这一组由少量手动标记的真实图像补充，用于微调。实验表明，合成图像的使用允许大幅减少获得合理的全景分割性能所需的真实图像的数量。

2022-04-14cs.CV

半监督语义分割中有偏伪标签的重分布：一个基线研究

Re-distributing Biased Pseudo Labels for Semi-supervised Semantic Segmentation: A Baseline Investigation

The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）

虽然自训练具有先进的半监督语义分割，但它严重遭受真实世界语义分割数据集上的长尾类分布，这使得伪标记数据偏向于大多数类。在本文中，我们提出了一个简单而有效的分布对齐和随机抽样（DARS）方法，以产生无偏的伪标签，匹配从标记数据估计的真实类分布。此外，我们还提供了一个渐进的数据增强和标记策略，以促进模型训练与伪标记数据。在Cityscapes和PASCAL VOC 2012数据集上的实验证明了该方法的有效性。虽然简单，我们的方法表现良好，与国家的最先进的方法相比。代码将在https://github.com/CVMI-Lab/DARS上提供。

2021-07-26cs.CV

基于解剖相关性的仿单次推理广义器官分割

Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation

The University of Hong Kong（香港大学）；Tencent（腾讯）；Huazhong University of Science and Technology（华中科技大学）

模仿学习是人类最重要的能力之一，在人类的计算神经系统中起着至关重要的作用。在医学图像分析中，给定几个样本（锚），有经验的放射科医生有能力通过模仿从现有类型的器官中学习的推理过程来描绘不熟悉的器官。受这一观察的启发，我们提出了OrganNet，它从一组注释的器官类中学习一个广义的器官概念，然后将这个概念转移到看不见的类。在本文中，我们表明，这样的过程可以集成到一次性分割任务，这是一个非常具有挑战性，但有意义的话题。我们提出金字塔推理模块（PRM）来模拟锚和目标体积之间的解剖相关性。在实践中，所提出的模块首先计算目标和锚计算机断层扫描（CT）体积之间的相关矩阵。然后，该矩阵用于变换锚体积及其分割掩模的特征表示。最后，OrganNet学习融合来自各种输入的表示，并预测目标体积的分割结果。大量的实验表明，OrganNet可以有效地抵抗器官形态的广泛变化，并在一次性分割任务中产生最先进的结果。此外，即使与全监督分割模型相比，OrganNet仍然能够产生令人满意的分割结果。

2021-03-30cs.CV

魔鬼在点：基于点引导掩码表示的弱半监督实例分割

The Devil is in the Points: Weakly Semi-Supervised Instance Segmentation via Point-Guided Mask Representation

NAVER Cloud（NAVER云）；KAIST（韩国科学技术院）；NAVER AI Lab（NAVER人工智能实验室）

在本文中，我们介绍了一种新的学习计划命名为弱半监督实例分割（WSSIS）与点标签的高效和高性能的实例分割。也就是说，我们考虑一个数据集设置由一些完全标记的图像和大量的点标记的图像。半监督方法的主要挑战主要来自假阴性和假阳性实例建议之间的权衡，我们提出了一种WSSIS方法，可以有效地利用对数据库友好的点标签作为强大的弱监督源来解决这一挑战。此外，为了处理完全标记的数据量非常有限的困难情况，我们提出了一个MaskRefineNet，它可以细化粗糙掩码中的噪声。我们在COCO和BDD100K数据集上进行了广泛的实验，所提出的方法取得了与完全监督模型相当的有希望的结果，即使有50%的完全标记的COCO数据（38.8% vs. 39.7%）。此外，当使用低至5%的完全标记的COCO数据时，我们的方法显示出比最先进的半监督学习方法（33.7% vs. 24.9%）显著优越的性能。该代码可在https://github.com/clovaai/PointWSSIS上获得。

2023-03-27cs.CV

探索用于半监督医学图像分割的特征表示学习

Exploring Feature Representation Learning for Semi-supervised Medical Image Segmentation

Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）

本文提出一种用于半监督医学图像分割的两阶段框架，通过阶段自适应对比学习探索特征表示，并利用认知不确定性感知方法AUA生成高质量伪标签，在三个公共基准上取得最佳结果。

2023-07-30cs.CV

Omni-Seg：一种使用部分标记数据的多标记肾脏病理图像分割的单一动态网络

Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image Segmentation using Partially Labeled Data

Vanderbilt University（范德堡大学）；Vanderbilt University Medical Center（范德堡大学医学中心）

计算机辅助的千兆像素病理图像定量分析为组织学检查提供了新的途径。这些创新主要集中在癌症病理学上（即，肿瘤分割和表征）。在非癌症病理学中，可以要求学习算法同时检查更全面的组织类型，作为多标签设置。现有技术通常需要训练多个分割网络以便匹配异质组织类型（例如，肾小球簇、肾小球单位、近端小管、远端小管、小管周围毛细血管和动脉）。在本文中，我们提出了一种动态单分割网络（Omni-Seg），它可以使用部分标记的图像（即，对于每个训练图像仅标记一种组织类型）。通过学习来自六种组织类型的约150，000个分块病理图像，与以前的多网络和多头设计相比，所提出的Omni-Seg网络实现了更高的分割精度和更少的资源消耗。在测试阶段，所提出的方法获得“完全标记”的组织分割结果，仅使用“部分标记”的训练图像。源代码可在https://github.com/ddrrnn123/Omni-Seg上获得

2022-03-23cs.CVeess.IV