研究人员开发了 OBBSeg，一种利用定向边界框 (OBBs) 进行中间监督的新型医学图像分割方法。该方法通过为细长或各向异性病灶提供比传统边界框更精确的几何指导，解决了像素级标注的瓶颈。OBBSeg 包含一个 Mask-to-OBB 损失，以确保预测掩码和 OBB 之间的一致性，以及由提示驱动的语义引导模块，以改善前景表示并减少背景噪声。在 13 个数据集和 5 种成像模态上的实验表明，OBBSeg 的性能与全监督方法相当，为医学图像分割提供了更高效、可扩展的解决方案。 AI
影响 该方法为医学图像分割提供了一种更高效、可扩展的方法，有望提高诊断准确性并降低标注成本。
排序理由 该集群包含一篇详细介绍一种新的医学图像分割方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Pixel-level annotation remains a major bottleneck in medical image segmentation, making weak supervision an attractive yet under-constrained alternative. We propose OBBSeg, an intermediate supervision paradigm guided by Oriented Bounding Boxes (OBBs) that bridges the gap between …
arXiv:2607.06007v1 Announce Type: new Abstract: Pixel-level annotation remains a major bottleneck in medical image segmentation, making weak supervision an attractive yet under-constrained alternative. We propose OBBSeg, an intermediate supervision paradigm guided by Oriented Bou…
Pixel-level annotation remains a major bottleneck in medical image segmentation, making weak supervision an attractive yet under-constrained alternative. We propose OBBSeg, an intermediate supervision paradigm guided by Oriented Bounding Boxes (OBBs) that bridges the gap between …