研究背景与意义
● 随着深度学习在医学图像分割中的广泛应用，全监督学习虽然取得了优异表现，但由于需要大量像素级标注，应用受到限制。
● 病理图像中的腺体分割对于癌症诊断和治疗具有重要意义，但手工标注在10亿像素级的图像上耗时费力。因此，弱监督学习成为一种有效的替代方案，通过图像级标签实现分割，减少标注成本。
弱监督学习的优势与方法
● 弱监督学习可以在较少标注的情况下，生成像素级分割，适用于处理复杂的病理图像分割任务。常见方法包括基于类激活映射图（Class Activation Map, CAM）生成伪掩码，以此代替精细标注。
● 本研究进一步优化了伪掩码生成，通过重构模块增强图像的局部激活，以提高分割质量。
算法整体思想与框架
● 伪掩码生成：使用改进的类激活映射图（CAM）定位病理图像的腺体区域。引入重构模块，结合子图和原图信息，生成更精确的伪掩码。
● 伪掩码去噪与分割优化：为应对病理图像结构不规则、对比度低等问题，提出动态加权损失，以过滤伪掩码中的噪音，提高分割精度。
[1]贾卓琳.基于弱监督的病理图像腺体分割与增强现实应用[D].北京交通大学,2023.DOI:10.26944/d.cnki.gbfju.2023.001921.
