基于几何与显著性驱动的自适应标签优化弱监督医学图像分割网络GSR-Net研究

针对弱监督医学图像分割中伪标签边界模糊、目标-背景过渡区域不确定性高等问题，研究人员提出几何与显著性驱动的GSR-Net网络，通过显著性优化与空间一致性学习（SOSC）、几何引导动态特征聚焦（GDFF）和动态伪标签传播（DPRP）三模块协同，在KiTS23等数据集上实现Dice和95HD指标显著提升，为临床低成本标注提供新方案。

　　

医学图像分割是疾病诊断和治疗规划的核心技术，但现有深度神经网络依赖耗时费力的像素级标注，尤其在3D医学影像中单案例标注需超1小时。尽管弱监督方法（如边界框标注）能降低成本，但伪标签存在边界错误和过渡区域不确定性问题，制约其临床应用。针对这一挑战，医学工程与图像信号理论实验室（Metislab）的Jiwen Zhou和Wanyu Liu团队在《Digital Signal Processing》发表研究，提出几何与显著性驱动的GSR-Net网络，通过多模块协同实现弱监督下的精准分割。

研究采用三大关键技术：基于边界框生成初始显著性图并通过局部-全局约束优化（SOSC模块）；利用边界框几何信息构建动态边界权重（GDFF模块）；结合显著性图与几何先验迭代更新伪标签（DPRP模块）。实验数据来自公开数据集KiTS23（肾脏）、LiTS（肝脏）和BraTS2021（脑肿瘤），通过随机边界框扩缩策略模拟真实标注变异。

【Saliency Optimization and Spatial Consistency Learning】
通过正负区域划分策略定位目标中心区域，消除伪标签噪声，实验显示该模块使KiTS23数据集目标定位误差降低37%。

【Geometry-guided Dynamic Feature Focusing】
动态边界权重使BraTS2021的肿瘤边界95HD值提升21%，有效抑制背景干扰。

【Dynamic Pseudo-label Propagation and Refinement】
在LiTS肝脏数据中，通过特征相似性传播将不确定区域的伪标签准确率提高29%。

研究结论表明，GSR-Net首次实现几何结构与语义边界的联合建模，在三种典型医学影像上的Dice系数平均超越现有弱监督方法8.3%。其创新性体现在：1）解耦式融合显著性、几何与不确定性信息；2）动态边界权重机制突破传统固定卷积核限制；3）随机扩缩策略增强临床适应性。该成果为弱监督医学图像分割提供了可解释性强、计算效率高的新范式，尤其适用于资源有限的医疗场景。未来可扩展至多器官联合分割等复杂任务，推动AI辅助诊断的普惠化发展。