团队近期成果--面向涂鸦标注医学图像分割的 FW2SS 框架
我们团队在 《Neurocomputing》(IF: 6.5, 中科院二区)上发表论文 “Scribble consistency match and pixel-level prototype contrastive calibration for weakly supervised medical segmentation”。该论文以上海大学计算机工程与科学学院为第一单位，针对医学图像像素级标注成本高、涂鸦标注监督信息不足的问题，提出弱监督医学图像分割框架 FW2SS。
医学图像分割是医学图像分析中的重要任务，主要用于从 CT、MRI 等影像中准确分离器官、组织或病灶区域，可为疾病诊断、定量分析和临床治疗提供辅助支持。近年来，深度学习显著提升了分割性能，但其通常依赖大量精确的像素级标注，而医学图像标注成本高、专业性强，弱监督医学图像分割逐渐成为研究热点。 FW2SS 基于 CNN-Transformer 混合结构，结合 CNN 的局部细节建模能力和 Transformer 的全局结构感知能力。论文提出 Scribble Consistency Match 技术，通过网络扰动与输入扰动的一致性学习生成更可靠的密集伪标签，从稀疏涂鸦标注中学习完整形状信息；同时提出 Pixel-level Prototype Contrastive Calibration技术，利用高置信度像素构建类别原型，并通过对比学习增强类内一致性和类间区分性，从而提升边界和细节区域的分割效果。
在 ACDC 和 MSCMRseg 数据集上的实验表明，FW2SS 在涂鸦监督条件下取得了先进性能，平均 Dice 分别达到 90.0% 和 88.2%，显著优于多种现有弱监督医学图像分割方法。该研究在降低医学图像标注成本的同时提升了分割精度，为弱监督医学影像分析和临床智能辅助提供了有效技术方案。
代码链接：https://github.com/han-yuexing/FW2SS
