在醫學影像分析領域，專家們經常需要手動分割圖像以獲取關鍵的診斷統計信息，例如病灶的面積或體積。然而，一旦這些統計信息被提取，原始的分割標註往往被丟棄，導致寶貴的標註數據無法被重複利用。這種重複性勞動不僅耗時，而且可能阻礙自動化診斷模型的發展。針對這一問題，來自馬里蘭大學巴爾的摩分校和博伊西州立大學的研究人員提出了一種新穎的方法，旨在僅利用保留的彙總統計信息以及極少量的弱監督信號來訓練圖像分割模型。相關成果以論文形式提交至arXiv預印本平台（編號2605.03059），並於2026年5月4日發佈。
該研究的核心挑戰在於，僅憑彙總統計信息（如區域面積）本身不足以訓練出準確的分割模型。統計分析表明，這些彙總數據雖然提供了整體規模的線索，但缺乏像素級別的空間信息，模型難以從中推斷出精確的邊界。為了解決這一侷限，研究者提出在感興趣區域內僅提供少量像素作為弱監督信號。實驗結果顯示，儘管統計信息單獨使用效果不佳，但一旦結合極少數（例如幾個或幾十個）弱監督像素，模型的分割性能便顯著提升。
為了有效融合這些信息，論文設計了一種新型的損失函數。該損失函數包含三個關鍵組成部分：第一，圖像重建質量項，它確保模型生成的分割結果與原始影像在結構上保持一致性，從而避免產生不合理的分割形態；第二，彙總統計匹配項，它強制模型預測的分割結果在統計特徵（如前景區域面積）上與給定的彙總統計相吻合，從而利用數值信息進行約束；第三，弱監督信號重疊項，它最大化模型預測的前景區域與用户提供的少量像素點之間的重疊度，從而引入空間引導。這三者共同作用，使得模型能夠在極其有限的監督信息下學習到有效的分割策略。
研究者將所提出的方法在多個數據集上進行了評估。首先在標準自然圖像數據集上進行了測試，隨後擴展到醫學影像領域：包括乳腺癌超聲圖像和腎腫瘤計算機斷層掃描（CT）圖像。在每項實驗中，他們將僅使用統計信息的方法、僅使用弱監督的方法以及所提出的組合方法進行了對比。結果表明，組合方法在所有數據集上均取得了最先進的分割精度，尤其是在醫學影像中，其性能接近甚至超過了依賴大量像素級標註的完全監督方法。值得注意的是，該方法僅需要彙總統計和少量像素點，大大減少了人工標註的工作量。
這一研究對於醫學影像分析具有重要的實踐意義。在實際臨牀環境中，醫院往往已經積累了大量的診斷統計報表（如腫瘤大小、面積等），但這些報表背後缺少對應的像素級分割標註。本方法使得這些歷史統計數據得以重新利用，只需少量的人工交互，即可訓練出高質量的分割模型。此外，該方法也可推廣至其他領域，例如遙感圖像分析、工業質檢等，凡是有彙總統計和少量標註需求的場景均可適用。研究者指出，未來工作將探索更加複雜的統計信息類型，以及進一步減少弱監督像素的數量，甚至實現完全基於統計信息的學習。