背景：高光谱成像（HSI）是一种能够捕获可见光范围之外光谱信息的无创技术。利用 HSI 进行准确的体内脑肿瘤检测极具挑战性，这主要是由于生物组织的复杂性以及恶性区域与健康区域难以区分。传统的基于神经网络的方法通常会将肿瘤组织误分类为血管，这主要是因为高度血管化以及标注数据的匮乏。方法：为解决这一问题，本研究提出了一种尚未得到充分探索的方法，将该问题分解为两个任务：(1) 大脑皮层表面及其血管的分割，以及 (2) 分割出的开颅手术区域内生物组织的分割。皮层分割任务独立于第二阶段所使用的分割模型。为实现这一目标，本研究利用体内脑部手术期间采集的 RGB 和 HSI 图像生成了一组伪标签。这些伪标签支持一种利用两个成像领域的模态多重训练策略，从而生成一个能够分割开颅区域及其所含血管的模型。该模型随后利用稀疏金标准标注在 HSI 上进行弱监督微调以进一步优化。结果：最终的分割图结合了皮层和组织分割输出，仅将未被血管覆盖的皮层像素视为潜在肿瘤区域。这简化了 HSI 组织分割任务，将其重新构建为健康组织与其他组织的二元分割，同时仍能实现全面的多类别输出。结论：所提出的方法使肿瘤类别的 F1 分数提升高达 15.48%，同时分割大脑皮层的平均 Dice 相似系数（DSC）达到 92.08%，并在 HSI 数据集中准确检测了 95.42% 的已标记血管样本。
Vázquez et al. (Fri,) 对这一问题进行了研究。