Weakly Supervised Learning for Brain Tumor Segmentation: A State-of-the-Art Review

Abstract

Brain tumor segmentation is a fundamental task in medical image analysis, enabling accurate diagnosis, treatment planning and disease monitoring. Despite recent advances in deep learning, most high performing segmentation models rely heavily on dense pixel level annotations which remain costly and difficult to obtain in clinical practice. This limitation has driven increasing interest in weakly supervised learning approaches that aim to reduce annotation requirements while maintaining reliable localization performance. This master thesis presents a comprehensive literature review of weakly supervised methods applied to brain tumor segmentation. The study systematically analyzes recent advances in learning strategies designed to operate under limited supervision and examines how these approaches address key challenges such as tumor localization, spatial consistency and feature representation. Particular attention is given to the ability of existing methods to generalize across different MRI (Magnetic Resonance Imaging) modalities and tumor variations. Furthermore, this work compares the main methodological trends in annotation efficient segmentation frameworks and highlights their strengths and limitations. The review also synthesizes the principal challenges that remain unresolved in weakly supervised medical image segmentation. Overall, this thesis provides a structured overview of the current state of the field, identifies open research problems and outlines potential directions for future investigation in weakly supervised brain tumor segmentation.***

La segmentation des tumeurs cérébrales constitue une tâche centrale en imagerie médicale, jouant un rôle essentiel dans le diagnostic, la planification thérapeutique et le suivi des patients. Malgré les progrès récents de l’apprentissage profond, les performances des méthodes de segmentation reposent encore largement sur des annotations denses au niveau pixel dont la production est coûteuse et difficile à obtenir en pratique clinique. Cette contrainte a favorisé l’émergence des approches d’apprentissage faiblement supervisé, visant à réduire la dépendance aux annotations détaillées tout en maintenant une localisation fiable des structures tumorales. Ce mémoire de master présente une revue de littérature approfondie des méthodes faiblement supervisées appliquées à la segmentation des tumeurs cérébrales. L’étude analyse de manière structurée les approches récentes développées pour apprendre à partir d’une supervision limitée en mettant l’accent sur la localisation des lésions, la cohérence spatiale et les stratégies de représentation des caractéristiques. Une attention particulière est portée à la capacité de généralisation de ces méthodes face à la variabilité des modalités IRM (Imagerie par Résonance Magnétique) et des apparences tumorales. Ce travail compare également les principales tendances méthodologiques dans les cadres de segmentation à annotation réduite, tout en mettant en évidence leurs forces et leurs limites. Enfin, il synthétise les principaux défis ouverts et les perspectives de recherche dans ce domaine.