编辑推荐：
在辅助生殖技术中，超声图像卵泡分割对监测卵泡发育意义重大。研究人员开展了弱监督卵泡分割方法（WSFS）的研究，该方法用边界框作标注，结合多实例学习（MIL）。实验表明，WSFS + 性能出色，为临床诊疗提供了有效工具。
在现代医学领域，辅助生殖技术（ART）宛如一盏明灯，为无数受不孕不育困扰的人们带来了新的希望。在 ART 的众多环节里，卵泡发育监测至关重要，它就像一把精准的 “钥匙”，能帮助医生打开提高受孕成功率的大门。医生们通常借助超声成像技术来观察卵巢卵泡，以此判断卵泡是否成熟，进而决定治疗方案。然而，传统的手动评估方式存在诸多弊端，就像用一把不够精准的尺子去测量，结果会因医生经验和技能水平的差异而不同，难以保证准确性和客观性。
不仅如此，医学图像分割领域虽然发展迅速，但在生殖医学方面的应用却困难重重。公共卵泡超声图像数据集数量有限，获取精确的像素级注释既耗时又需要专业知识，而超声图像本身还存在噪声大、卵泡大小形态各异且相互遮挡等问题，这些 “拦路虎” 使得卵泡分割任务变得异常艰巨。
为了攻克这些难题，中南大学的研究人员勇挑重担，开展了一项意义非凡的研究。他们提出了一种弱监督卵泡分割（Weakly Supervised Follicle Segmentation，WSFS）方法，这一方法就像是为卵泡分割量身定制的 “智能助手”。该方法利用边界框作为近似注释，结合多实例学习（Multiple Instance Learning，MIL）原理，成功构建了一个端到端可训练的模型。同时，研究人员还创建了卵泡超声图像数据集（Follicle Ultrasound Image Dataset，FUID），有效缓解了生殖健康领域数据短缺的问题。
研究人员运用了多种关键技术方法来推进这项研究。在模型构建上，采用 CSPDarknet 作为骨干网络进行特征提取，并添加特征金字塔网络（Feature Pyramid Network，FPN）模块，以更好地捕捉卵泡的多尺度特征。训练过程中，使用随机梯度下降（Stochastic Gradient Descent，SGD）算法优化模型，同时进行数据增强，如对图像进行水平和垂直翻转。实验数据来自公开的 USOVA3D 数据集和自制的 FUID 数据集。
在实验结果方面，研究成果令人惊喜。WSFS 模型在仅使用公共数据集 USOVA3D 训练时，就展现出了不错的性能，平均精度均值（mAP50）达到 0.911，交并比（IOU）为 0.682，Dice 系数为 0.81 。当融入 FUID 数据训练得到增强版 WSFS + 模型后，性能更是显著提升，mAP50达到 0.957，IOU 为 0.714，Dice 系数为 0.83 。与其他先进方法相比，WSFS + 优势明显，超越了经典的全监督方法 U-Net，甚至在部分指标上超过了对其检测分支有启发的 YOLOv8x-seg。
进一步研究发现，将 WSFS 的输出作为 Segment Anything Model（SAM）在医学图像领域的应用 SAM-Med2D 的提示，能够显著提升 SAM-Med2D 的分割精度。例如，以 WSFS + 的掩码输出作为 SAM-Med2D 的提示（WSFS+(mask)&SAM-Med2D）时，mAP50达到 0.967，IOU 为 0.724，Dice 系数为 0.84 ，且计算成本合理。
从研究结论和讨论部分来看，WSFS + 模型凭借其独特的弱监督学习架构和丰富的训练数据，在卵泡分割任务中表现出色，与全监督方法相比毫不逊色。这一成果为临床卵泡发育监测提供了高效的自动化工具，有助于提高辅助生殖治疗的效率和准确性。同时，研究还表明，相比基于大型预训练模型的下游微调，生成优化提示是挖掘预训练模型潜力的更有效方式。不过，该方法也存在一些有待改进的地方，如结构设计可进一步简化，对高分辨率图像的支持有待增强，在处理高噪声超声图像方面还需提升鲁棒性等。但总体而言，这项研究为医学图像分析领域开辟了新的道路，为未来的相关研究和临床应用奠定了坚实基础，其成果发表在《Scientific Reports》上，有望推动生殖医学和医学图像分析技术的进一步发展。
