本文介绍了多种医学图像分割方法，如ScribbleBox和WeakPolyp，强调了弱监督和涂鸦标注的应用。这些方法在降低标注成本和提高分割精度方面表现优异，尤其在息肉分割任务中取得了显著进展。

本文提出了一种基于涂鸦标注的弱监督伪装目标检测方法，通过引入一致性损失和特征引导损失，结合新模块，显著提升了模型性能。研究表明，该方法在多个基准测试中优于现有技术，并在仅使用20%全标记数据时实现高精度分割，减轻了标注负担。

该文综述弱监督医学图像分割研究，涵盖涂鸦、点击、边界框等标注方式。多实例学习、ScribblePrompt、Scribble2D5等方法在心脏、前列腺及病理图像上表现良好，草图训练性能接近全监督。动态交互学习框架可减少62%标注量，并支持在线学习与隐私部署。