基于正/未标注方法与逐点监督的医学序列分割
计算机视觉与模式识别
2021-07-20 v1
摘要
快速标注医学影像数据的能力在训练用于分割的深度学习框架中起着关键作用。对于图像体数据或视频序列而言，这一点更为迫切，因为其标注尤其繁重。为缓解该问题，本工作提出一种仅使用逐点标注高效分割医学影像体数据或视频的新方法。这使得标注收集极为迅速，并适用于众多分割任务。我们的方法使用适当的正/未标注(Positive/Unlabeled)目标函数，利用稀疏逐点标注训练深度学习模型。尽管此类方法大多假设数据中正样本比例是先验已知的，我们引入一种新颖的自监督方法，通过结合贝叶斯估计框架与新停止准则来高效估计该先验。我们的方法迭代估计适当的类别先验，并对多种对象类型与成像模态产生高分割质量。此外，通过利用时空跟踪框架，我们借助完整数据体对预测进行正则化。我们通过实验表明，我们的方法优于针对同一问题定制的当前最优(state-of-the-art)方法。
引用
@article{arxiv.2107.08394,
title = {A Positive/Unlabeled Approach for the Segmentation of Medical Sequences using Point-Wise Supervision},
author = {Laurent Lejeune and Raphael Sznitman},
journal= {arXiv preprint arXiv:2107.08394},
year = {2021}
}