医学图像分割是临床诊断中的核心技术之一，从息肉检测到器官勾画，深度学习方法已经取得了令人瞩目的成果。然而，这些成果背后有一个“隐形成本”：像素级的精准标注。想象一下，一位放射科医生需要一笔一画地勾勒出肿瘤的每一个边缘，尤其是当病灶边界模糊、与正常组织难以区分时，这种标注不仅耗时、费力，还带着很强的主观性。不同医生标注的结果可能大相径庭，这种标注噪声反过来又限制模型泛化能力。在临床实践中，一个典型的像素级标注任务，比如肝脏肿瘤分割，医生可能需要花费数十分钟甚至更长时间来精细描绘每个病灶的轮廓。对于大规模数据集而言，这种人力成本几乎是不可承受的。因此，寻找更高效的标注方式成为医学图像分析领域的一个迫切需求。有没有更便宜的替代方案？当然有——边界框标注。医生只需要拉一个矩形框把目标圈出来，成本只有像素级标注的几分之一。但这又带来了新问题：边界框天然缺乏形状信息，如果直接用它来做监督，模型学出来的分割结果很容易染上“框形偏置”——预测总是偏向方方正正的矩形，根本猜不透目标的真实形状。很多已有的弱监督方法（比如BoxInst、DiscoBox）都尝试解决这个问题，但要么效果不稳定，要么只针对特定场景，通用性大打折扣。例如，BoxInst通过引入配对相似性损失来鼓励框内像素一致性，但在医学图像中，由于组织纹理复杂、边界模糊，这种一致性假设往往不成立，导致分割结果仍然带有明显的矩形痕迹。DiscoBox则依赖于迭代的伪标签生成，但伪标签的质量高度依赖于初始模型，一旦初始预测偏差较大，后续迭代可能陷入恶性循环。正是为了打破这个僵局，深圳大学（VCC实验室）的研究团队在CVPR 2026上提出了WeakMed——一个通用的弱监督医学图像分割框架。它的核心思想是：不直接拿预测的掩码和边界框去算损失，而是先把预测掩码“变换”成与边界框对齐的表示，再从变换后的空间里进行监督。这一下子就消除了框形偏置，而且整个变换是可微分的，能端到端训练。更妙的是，WeakMed只改动训练阶段的损失函数，不改网络结构，推理时零额外开销。这意味着任何现有的分割网络，无论是轻量级的MobileNet还是强大的Transformer架构，都可以直接套用WeakMed的损失函数进行训练，而无需修改模型本身。这种即插即用的特性极大地降低了应用门槛。图1：医学图像分割中的九种任务示例及标注对比（全监督 vs 弱监督）。从图中可以直观地看到，全监督标注（绿色轮廓）精确地勾勒出目标的每一个细节，而弱监督标注（红色矩形框）仅仅提供了一个粗略的范围。这种标注精度的巨大差异，正是弱监督分割需要克服的核心挑战。看到这里你可能已经感受到了——弱监督分割就是这样一个让人“懵”的问题：明明有框，却学不出好形状。但WeakMed给出了非常巧妙的解法，下面我们深入看看它的核心设计。
