在医学影像分析领域，专家们经常需要手动分割图像以获取关键的诊断统计信息，例如病灶的面积或体积。然而，一旦这些统计信息被提取，原始的分割标注往往被丢弃，导致宝贵的标注数据无法被重复利用。这种重复性劳动不仅耗时，而且可能阻碍自动化诊断模型的发展。针对这一问题，来自马里兰大学巴尔的摩分校和博伊西州立大学的研究人员提出了一种新颖的方法，旨在仅利用保留的汇总统计信息以及极少量的弱监督信号来训练图像分割模型。相关成果以论文形式提交至arXiv预印本平台（编号2605.03059），并于2026年5月4日发布。
该研究的核心挑战在于，仅凭汇总统计信息（如区域面积）本身不足以训练出准确的分割模型。统计分析表明，这些汇总数据虽然提供了整体规模的线索，但缺乏像素级别的空间信息，模型难以从中推断出精确的边界。为了解决这一局限，研究者提出在感兴趣区域内仅提供少量像素作为弱监督信号。实验结果显示，尽管统计信息单独使用效果不佳，但一旦结合极少数（例如几个或几十个）弱监督像素，模型的分割性能便显著提升。
为了有效融合这些信息，论文设计了一种新型的损失函数。该损失函数包含三个关键组成部分：第一，图像重建质量项，它确保模型生成的分割结果与原始影像在结构上保持一致性，从而避免产生不合理的分割形态；第二，汇总统计匹配项，它强制模型预测的分割结果在统计特征（如前景区域面积）上与给定的汇总统计相吻合，从而利用数值信息进行约束；第三，弱监督信号重叠项，它最大化模型预测的前景区域与用户提供的少量像素点之间的重叠度，从而引入空间引导。这三者共同作用，使得模型能够在极其有限的监督信息下学习到有效的分割策略。
研究者将所提出的方法在多个数据集上进行了评估。首先在标准自然图像数据集上进行了测试，随后扩展到医学影像领域：包括乳腺癌超声图像和肾肿瘤计算机断层扫描（CT）图像。在每项实验中，他们将仅使用统计信息的方法、仅使用弱监督的方法以及所提出的组合方法进行了对比。结果表明，组合方法在所有数据集上均取得了最先进的分割精度，尤其是在医学影像中，其性能接近甚至超过了依赖大量像素级标注的完全监督方法。值得注意的是，该方法仅需要汇总统计和少量像素点，大大减少了人工标注的工作量。
这一研究对于医学影像分析具有重要的实践意义。在实际临床环境中，医院往往已经积累了大量的诊断统计报表（如肿瘤大小、面积等），但这些报表背后缺少对应的像素级分割标注。本方法使得这些历史统计数据得以重新利用，只需少量的人工交互，即可训练出高质量的分割模型。此外，该方法也可推广至其他领域，例如遥感图像分析、工业质检等，凡是有汇总统计和少量标注需求的场景均可适用。研究者指出，未来工作将探索更加复杂的统计信息类型，以及进一步减少弱监督像素的数量，甚至实现完全基于统计信息的学习。