GloW-VSNet: A scribble-based weakly supervised framework for global-view vitiligo lesion segmentation
Notice bibliographique
Résumé
Vitiligo lesion identification is essential for quantifying disease severity, monitoring disease progression and assessing treatment response, particularly for objective quantification. However, segmenting vitiligo lesions from clinical images is challenging due to indistinct borders, complex backgrounds, and image artifacts. The difficulty increases when handling small and sparse lesions in global-view photographs. Fully supervised segmentation models require extensively annotated datasets, making the labelling process time-consuming and costly. To address these challenges, we propose GloW-VSNet, a scribble-guided weakly supervised segmentation method for global-view vitiligo detection. Our approach integrates differentiable feature clustering with a spatial attention mechanism based on physician-provided scribble annotations, enabling the model to focus on relevant spatial features and improve segmentation accuracy despite background noise and artifacts. Additionally, we introduce spatial continuity optimization to preserve the natural distribution of vitiligo, enhancing segmentation consistency while reducing computational demands. Extensive experiments on two public vitiligo datasets and two private datasets demonstrate that GloW-VSNet achieves state-of-the-art performance. To our knowledge, this is the first study to explore weakly supervised global-view vitiligo segmentation, addressing a critical research gap. Our method enhances the assessment of disease severity and monitoring of treatment response through an objective assessment for real-world applications. Our code is publicly available at https://github.com/YuhanZheng0327/Weakly-Supervised-Vitiligo-Lesion-Segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».