超低标注需求，实现医学图像分割！UCSD提出三阶段框架GenSeg

加州大学圣地亚哥分校研究团队提出GenSeg，一种用于医学图像语义分割的端到端生成式训练框架，有效缓解了医学图像标注数据稀缺问题。该方法通过三阶段训练机制，将图像生成与分割模型联合优化，显著降低对真实标注数据的依赖。实验表明，在足部溃疡分割任务中，GenSeg-UNet仅需50张图像即可达到传统UNet使用600张图像的效果；在跨域任务中，GenSeg-DeepLab使用40张图像达到Jaccard指数0.67，而标准DeepLab使用200张图像仍未达该水平。GenSeg在11个医学图像任务和19个数据集中展现出10–20%的性能提升，所需数据量仅为现有方法的1/8至1/20，显著提升了医学图像分割模型在低数据场景下的训练效率和泛化能力。
来源：https://mp.weixin.qq.com/s/Ir1v7Jocd6zkCi9YcrY4uw