在时间与平面体数据中获取用于肿瘤定位的弱标注

创建大规模且精标注的数据集以训练AI算法,对自动化肿瘤检测与定位至关重要。然而在资源有限时,标注海量未标注数据难以确定最佳标注类型。为此,我们聚焦于结肠镜视频中的息肉与腹部CT扫描中的胰腺肿瘤;这两类应用因数据的高维特性(涉及时间或空间维度)而需大量精力与时间进行逐像素标注。本文提出一种称为Drag&Drop的新标注策略,将标注过程简化为拖放。该标注策略比其他弱标注类型(如逐像素、边界框、涂鸦、椭圆与点)更高效,尤其适用于时间与体成像。此外,为利用我们的Drag&Drop标注,我们基于分水岭算法开发了新颖的弱监督学习方法。实验结果表明,我们的方法比替代弱标注获得更好的检测与定位性能,且更重要的是,取得了与逐像素详注训练相近的性能。有趣的是,我们发现资源有限时,从多样患者群体分配弱标注比针对少量图像分配逐像素标注更能促使模型对未见图像鲁棒。总之,本研究提出了一种高效的肿瘤检测与定位标注策略,其精度低于逐像素标注,但有助于创建用于多医学模态肿瘤筛查的大规模数据集。