ScribbleVC：基于草图监督的医学图像分割方法及其视觉类别嵌入

医学图像分割在临床决策、治疗规划和疾病监测中发挥着至关重要的作用。然而，由于高质量标注数据的缺乏、成像噪声以及患者间解剖结构的差异等因素，实现精准的医学图像分割仍面临巨大挑战。此外，现有标签高效方法与全监督方法之间的性能差距依然显著。为应对上述挑战，本文提出了一种新型的笔画监督医学图像分割框架——ScribbleVC，该框架通过多模态信息增强机制，融合视觉特征与类别嵌入，实现更有效的特征表达。同时，ScribbleVC统一利用卷积神经网络（CNN）特征与Transformer特征，以提升视觉特征的提取能力。所提方法将基于笔画的标注方式与分割网络及类别嵌入模块相结合，生成高精度的分割掩码。我们在三个基准数据集上对ScribbleVC进行了评估，并与当前最先进的方法进行了对比。实验结果表明，该方法在分割精度、鲁棒性及计算效率方面均优于现有方法。相关数据集与代码已开源至GitHub。