用于 AI 辅助交互式分割的自适应多尺度在线似然网络
图像与视频处理
2023-10-06 v2 计算机视觉与模式识别
摘要
现有的交互式分割方法利用自动分割和用户交互来细化标注,与人工标注相比显著减少了标注工作量。然而,这些方法对模糊和含噪数据缺乏快速适应性,而这是包含 COVID-19 患者肺部病变的 CT 体数据中的一个挑战。在这项工作中,我们提出了一种自适应多尺度在线似然网络(MONet),它从初始自动分割和提供修正的用户交互中,在数据高效的在线设置下自适应地学习。我们通过提出一种自适应损失来实现自适应学习,该损失将用户提供交互的影响扩展到具有相似特征的邻域。此外,我们提出了一种数据高效的概率引导剪枝方法,丢弃初始分割中不确定和冗余的标签,以实现高效的在线训练和推理。我们所提出的方法在一项盲法比较研究中由专家在 CT 的 COVID-19 肺部病变标注任务上进行了评估。与最先进的方法相比,我们的方法以低 24.67% 的感知 NASA-TLX 工作负荷得分取得了高 5.86% 的 Dice 分数。源代码见:https://github.com/masadcv/MONet-MONAILabel
引用
@article{arxiv.2303.13696,
title = {Adaptive Multi-scale Online Likelihood Network for AI-assisted Interactive Segmentation},
author = {Muhammad Asad and Helena Williams and Indrajeet Mandal and Sarim Ather and Jan Deprest and Jan D'hooge and Tom Vercauteren},
journal= {arXiv preprint arXiv:2303.13696},
year = {2023}
}