Weakly-supervised learning has attracted growing research attention on medical lesions segmentation due to significant saving in pixel-level annotation cost. However, 1) most existing methods require effective prior and constraints to explore the intrinsic lesions characterization, which only generates incorrect and rough prediction; 2) they neglect the underlying semantic dependencies among weakly-labeled target enteroscopy diseases and fully-annotated source gastroscope lesions, while forcefully utilizing untransferable dependencies leads to the negative performance. To tackle above issues, we propose a new weakly-supervised lesions transfer framework, which can not only explore transferable domain-invariant knowledge across different datasets, but also prevent the negative transfer of untransferable representations. Specifically, a Wasserstein quantified transferability framework is developed to highlight widerange transferable contextual dependencies, while neglecting the irrelevant semantic characterizations. Moreover, a novel selfsupervised pseudo label generator is designed to equally provide confident pseudo pixel labels for both hard-to-transfer and easyto-transfer target samples. It inhibits the enormous deviation of false pseudo pixel labels under the self-supervision manner. Afterwards, dynamically-searched feature centroids are aligned to narrow category-wise distribution shift. Comprehensive theoretical analysis and experiments show the superiority of our model on the endoscopic dataset and several public datasets.

中文翻译：

---

内窥镜病变分割的弱监督跨域适应

由于显着节省了像素级注释成本，弱监督学习在医学病变分割方面引起了越来越多的研究关注。然而，1）大多数现有方法需要有效的先验和约束来探索内在的病变特征，这只会产生不正确和粗略的预测；2）他们忽略了弱标记的目标肠镜疾病和完全注释的源性胃镜病变之间的潜在语义依赖性，而强行利用不可转移的依赖性会导致负面表现。为了解决上述问题，我们提出了一种新的弱监督病变转移框架，它不仅可以探索跨不同数据集的可转移领域不变知识，而且还可以防止不可转移表示的负转移。具体来说，开发了一个 Wasserstein 量化的可转移性框架来突出广泛的可转移上下文依赖关系，同时忽略不相关的语义特征。此外，一种新颖的自监督伪标签生成器旨在为难以转移和易于转移的目标样本同样提供可信的伪像素标签。它在自我监督的方式下抑制了虚假伪像素标签的巨大偏差。之后，动态搜索的特征质心对齐到狭窄的类别分布偏移。综合理论分析和实验表明我们的模型在内窥镜数据集和几个公共数据集上的优越性。而忽略不相关的语义特征。此外，一种新颖的自监督伪标签生成器旨在为难以转移和易于转移的目标样本同样提供可信的伪像素标签。它在自我监督的方式下抑制了虚假伪像素标签的巨大偏差。之后，动态搜索的特征质心对齐到狭窄的类别分布偏移。综合理论分析和实验表明我们的模型在内窥镜数据集和几个公共数据集上的优越性。而忽略不相关的语义特征。此外，一种新颖的自监督伪标签生成器旨在为难以转移和易于转移的目标样本同样提供可信的伪像素标签。它在自我监督的方式下抑制了虚假伪像素标签的巨大偏差。之后，动态搜索的特征质心对齐到狭窄的类别分布偏移。综合理论分析和实验表明我们的模型在内窥镜数据集和几个公共数据集上的优越性。它在自我监督的方式下抑制了虚假伪像素标签的巨大偏差。之后，动态搜索的特征质心对齐到狭窄的类别分布偏移。综合理论分析和实验表明我们的模型在内窥镜数据集和几个公共数据集上的优越性。它在自我监督的方式下抑制了虚假伪像素标签的巨大偏差。之后，动态搜索的特征质心对齐到狭窄的类别分布偏移。综合理论分析和实验表明我们的模型在内窥镜数据集和几个公共数据集上的优越性。