近期，MILab在弱监督图像分割方面的研究论文“Weakly Supervised Object Localization as Domain Adaption”的期刊扩展版本已被中科院一区期刊IEEE TPAMI接收。
...
除了在自然图像上的标准弱监督评估基准外，本研究还在自有医学影像数据集MILAB-MR上对方法进行了实验，以验证任务对齐对医学影像弱监督分割定位种子生成质量的增强。在医学影像中，可以直接通过影像的扫描靶区或其中含有的病灶种类来直接构建图像级标签，用以利用本研究所提出的对齐策略以弱监督的方式对模型进行训练。结果表明，经由本研究提出的任务对齐策略加持，可以有效提升医学图像中定位图生成质量，从而促进弱监督分割方法在医学影像中的应用性能。
图3-本方法与其他弱监督方法在医学场景下的性能
该论文的第一作者是MILab博士生朱磊，通讯作者是卢闫晔研究员。其他合作者还包括字节跳动研究院佘琪博士，加拿大西安大略大学Boyu Wang教授。该研究得到了北京市自然科学基金重点项目（Z210008）、深圳科技计划（1210318663）、国家生物医学成像大设施基金的经费支持。 该论文的第一作者是MILab博士生朱磊，通讯作者是卢闫晔助理教授。该研究得到了国家自然科学基金（623B2001, 82371112, 62394311）、北京市自然科学基金重点项目（Z210008）、青年学者科技创新启航计划（BMU2023YFJHMX007）的经费支持。
文章链接：https://arxivieeexplore.ieee.org/abstract/document/abs10552078/2203.01714
相关代码已开源： Code-GitHub