ESRVS: Extreme Semi-Supervised Retinal Vessel Segmentation with a Single Annotated Image
ESRVS 提出一种极端半监督视网膜血管分割方法，仅用一张标注图像和未标注图像池，通过 DINOv3 特征传递血管线索，构建多粒度血管原型，结合物理启发先验生成伪标签，并用加权伪标签训练和对抗细化。在八个公共数据集上，ESRVS 在六个数据集上取得最佳 Dice 和 clDice，在所有八个数据集上取得最佳 HD95，对比方法使用 10-20% 标注数据。使用 Mask2Former 时，ESRVS 平均保留全监督 Dice 的 93.7% 和 clDice 的 95.1%。代码已公开。
发展脉络
- 首次出现ESRVS: Extreme Semi-Supervised Retinal Vessel Segmentation with a Single Annotated ImagearXiv cs.AI
- 当前判断ESRVS 展示了基础模型在医学图像分析中降低标注成本的潜力，可能推动医疗 AI 在标注稀缺场景下的应用。如果该方法能推广到其他医学任务，可能改变医疗影像 AI 的开发模式，减少对大规模人工标注的依赖。可验证的下一信号是：是否有后续工作将类似方法应用于其他医学图像分割任务，以及临床验证中的实际效果。Agent Pulse · 分析
ESRVS 研究极端半监督视网膜血管分割，仅用一张标注图像和未标注图像池。方法利用目标域适应的 DINOv3 特征传递血管线索，构建多粒度血管原型，结合物理启发先验生成初始伪标签，并通过加权伪标签训练和对抗细化改进。在八个公共数据集上，ESRVS 在六个数据集上取得最佳 Dice 和 clDice，在所有八个数据集上取得最佳 HD95，而对比的半监督方法使用 10-20% 标注数据。使用 Mask2Former 时，ESRVS 平均保留全监督 Dice 的 93.7% 和 clDice 的 95.1%。结果表明基础模型标签传播在高效标签视网膜血管分割中的潜力。代码已公开。
ESRVS 的核心在于利用 DINOv3 特征进行目标域适应，构建多粒度血管原型，并结合物理启发先验生成伪标签，再通过加权伪标签训练和对抗细化提升监督信号质量。这种设计使得仅用一张标注图像即可达到接近全监督的性能，表明基础模型特征在医学图像分割中的强大迁移能力。可验证的下一信号是：该方法在其他医学图像分割任务（如器官或病变分割）上的泛化表现，以及 DINOv3 特征在不同成像模态下的适应性。
ESRVS 展示了基础模型在医学图像分析中降低标注成本的潜力，可能推动医疗 AI 在标注稀缺场景下的应用。如果该方法能推广到其他医学任务，可能改变医疗影像 AI 的开发模式，减少对大规模人工标注的依赖。可验证的下一信号是：是否有后续工作将类似方法应用于其他医学图像分割任务，以及临床验证中的实际效果。
ESRVS 可能降低医学图像分析模型的开发成本，减少对昂贵专家标注的依赖，从而加速医疗 AI 产品的落地。对于医疗影像公司，采用此类技术可缩短数据准备周期，降低进入门槛。可验证的下一信号是：是否有医疗 AI 公司采用类似方法并发布产品，或该方法在临床工作流中的集成案例。
ESRVS 可能引领极端半监督学习在医学图像分析中的新方向，未来可能扩展到其他医学成像模态和任务。随着基础模型特征质量的提升，标签效率可能进一步提高。可验证的下一信号是：该方法在更大规模数据集或真实临床环境中的表现，以及是否出现基于类似原理的商用工具。