本文提出了一种采用紧密边界框注释的弱监督图像分割方法。该方法提出了广义多实例学习（MIL）和平滑最大值近似，以端到端的方式将边界框的紧密性先验信息集成到深度神经网络中。在广义MIL中，正样本包由一组不同角度的平行交叉线定义，而负样本包则定义为任何边界框之外的单个像素。为了克服袋预测最大值函数引入的数值不稳定性，本文利用了两种平滑最大值近似的变体，即$α$α-softmax函数和$α$α-拟最大值函数。所提出的算法在两个公开的医学数据集上使用Dice系数进行了评估，结果表明其性能优于现有最先进方法。代码已发布在\url{https://github.com/wangjuan313/wsis-boundingbox}。