摘要

尽管近年来已有大量研究采用深度学习技术从二维横断面OCTA（光学相干断层扫描血管成像）图像中提取血管结构，但此类方法普遍面临一个关键挑战：对如视网膜血管这类曲线状结构进行像素级标注，其数据标注过程极为耗时且成本高昂。尽管已有少数研究尝试解决该问题，但尚未形成有效解决方案。在本研究中，我们提出一种基于涂鸦（scribble）的弱监督学习方法，用于实现像素级标注的自动化。所提出的OCTAve方法结合了基于涂鸦标注真值的弱监督学习机制，并引入对抗训练与一种新颖的自监督深度监督策略。该方法的核心创新在于：利用类似UNet架构中判别层的判别性输出，通过在训练过程中最小化聚合判别输出与分割预测结果之间的Kullback-Leibler散度（Kullback-Leibler Divergence），从而增强模型对血管结构的定位能力。实验结果表明，该联合策略显著提升了血管结构的分割精度与定位性能。我们在两个大规模公开数据集（ROSE与OCTA-500）上对所提方法进行了验证，并将其分割性能与当前最先进的全监督方法以及基于涂鸦的弱监督方法进行了对比。实验结果表明，OCTAve在保持较低标注成本的同时，实现了优异的分割性能。本研究的完整实现代码已公开，详见[链接]。