本研究通过组织LNQ挑战解决了在3D CT扫描中准确评估淋巴结大小的困难，并提供了一个新的部分标注数据集和评估框架。研究结果显示，弱监督方法表现不错，但仍依赖高质量的全注释数据以提高分割性能。

我们提出了一种新颖的弱监督分割方法Boundary-RL，只利用补丁级别的标签进行训练。通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数，定位感兴趣区域的边界。在前列腺分割任务上，我们的方法表现出比其他弱监督方法更好的性能。