涂鸦监督超声分割网络

标注仅需4%像素

以稀疏涂鸦标注实现超声视频病灶分割，性能超越全监督方法并逼近最佳全监督水平。

Chen, Long · Zheng, Qingqing · 郭宇龙 · Wang, Qiong

Computerized Medical Imaging and Graphics 2026

参数信息

Dice 提升（BUV2022）

5.53 %

Dice 提升（US-VOS）

8.31 %

标注像素占比

4 %

技术优势

标注负担降 96%

仅需 4% 的标注像素即可训练，大幅降低人工标注成本，同时性能仍超越多数全监督方法。

超越全监督

在 BUV2022 与 US-VOS 上 Dice 分别比最佳涂鸦监督方法高 5.53% 和 8.31%，超过部分全监督模型。

跨帧稳定分割

光流引导的涂鸦传播同时保持时间一致性，而双向交叉注意力融合全局 ViT 与局部 3D 特征，提升分割稳定性。

应用场景

• 超声影像分析：让超声科医生用极少的涂鸦即可获得病灶轮廓，无需逐帧勾画。
• 手术导航：为术中导航实时提供病灶边界，辅助定位切除范围。
• 医学图像分割：在标注稀缺时利用医学先验模型完成视频分割，降低数据门槛。
• 交互式分割：基于涂鸦的交互方式让用户参与修正，提升临床分割的可靠性。
• 病灶追踪：保持时间一致性，可连续追踪病灶在视频中的形态变化。