摘要

构建大规模完全标注的训练数据集成本高昂，尤其是在医学图像分割任务中尤为明显。涂鸦标注（scribble）作为一种较弱形式的标注，在实际应用中更容易获取，但仅依赖有限的涂鸦监督信息来训练分割模型仍面临挑战。为应对这些困难，本文提出一种基于涂鸦学习的医学图像分割新框架——CycleMix，该框架融合了混合增强（mix augmentation）与循环一致性（cycle consistency）机制。在监督信息增强方面，CycleMix采用改进的mixup策略，并引入专门设计的随机遮挡机制，实现对涂鸦标注的增补与删减；在监督信息正则化方面，CycleMix通过引入一致性损失（consistency loss）强化训练目标，有效惩罚不一致的分割结果，显著提升了分割性能。在两个公开数据集ACDC和MSCMRseg上的实验结果表明，所提方法取得了令人振奋的性能表现，其分割精度可与甚至优于完全监督方法相媲美。相关代码及MSCMRseg数据集的专家标注涂鸦已公开发布于：https://github.com/BWGZK/CycleMix。