ت complicate limited availability of pixel-level annotated medical images training supervised segmentation models, as these models require large datasets. للتعامل مع هذه القضية، تم اقتراح SemiSeg-CAW، وهو إطار تقسيم شبه مراقب يستفيد من معلومات مستوى الفئة ووظيفة خسارة متعددة قابلة للتكيف، لتقليل الاعتماد على التعليقات التوضيحية الواسعة. يجمع النموذج بين مهام التقسيم والتصنيف في هيكل متعدد المهام يشمل وحدات التقسيم والتصنيف وتوليد الوزن وClassElevateSeg. في هذا الإطار، يتم تدريب وحدة ClassElevateSeg مسبقًا ثم يتم ضبطها بشكل مشترك مع النموذج الرئيسي لإنتاج خرائط ميزات مساعدة تدعم النموذج الرئيسي، في حين تقوم استراتيجية الوزن القابلة للتكيف بحساب تركيبة ديناميكية من خسائر التصنيف والتقسيم باستخدام أوزان قابلة للتدريب. تمكن الطريقة المقترحة الاستخدام الفعال لكل من الصور المعلَمة وغير المعلَمة مع معلومات مستوى الفئة من خلال تعويض نقص تسميات مستوى بكسل. تظهر التقييمات التجريبية على مجموعتين عامتين من بيانات الموجات فوق الصوتية أن SemiSeg-CAW يتفوق باستمرار على نماذج التقسيم الخاضعة للمراقبة الكاملة عند التدريب مع عينات مشروحة متساوية أو أقل. تشير النتائج إلى أن دمج معلومات مستوى الفئة مع وزن الخسارة القابلة للتكيف يوفر استراتيجية فعالة للتقسيم شبه المراقب لصور الطب ويمكن أن يحسن أداء التقسيم في حالات نقص التعليقات التوضيحية.
قام Barzegar وزملاؤه (Mon،) بدراسة هذا السؤال.