面向OCT分割的标注高效学习
计算机视觉与模式识别
2023-05-09 v1
摘要
深度学习已成功应用于OCT分割。然而，对于来自不同制造商和成像协议的数据，以及不同的感兴趣区域（ROIs），其需要费力且耗时的数据标注与训练，这在许多场景（如手术导航和多中心临床试验）中是不可取的。在此我们提出一种面向OCT分割的标注高效学习方法，可显著减少标注成本。利用自监督生成学习，我们训练了一个基于Transformer的模型来学习OCT图像。然后将训练好的基于Transformer的编码器连接到一个基于CNN的解码器，以学习OCT分割中的密集像素级预测。这些训练阶段使用开放获取数据，因此不产生标注成本，且预训练模型可适配不同数据与ROIs而无需重新训练。基于k-center问题的贪心近似，我们还引入了一种针对目标数据的选择性标注算法。我们在公开可用和私有的OCT数据集上验证了我们的方法。与广泛使用且使用100%训练数据的U-Net模型相比，我们的方法仅需约10%的数据即可达到相同的分割精度，并将训练加速至约3.5倍。此外，我们提出的方法优于其他可能提升标注效率的潜在策略。我们认为这种对学习效率的重视有助于提升基于OCT技术的智能化与应用渗透率。我们的代码与预训练模型公开于https://github.com/SJTU-Intelligent-Optics-Lab/Annotation-efficient-learning-for-OCT-segmentation。
引用
@article{arxiv.2305.03936,
title = {Annotation-efficient learning for OCT segmentation},
author = {Haoran Zhang and Jianlong Yang and Ce Zheng and Shiqing Zhao and Aili Zhang},
journal= {arXiv preprint arXiv:2305.03936},
year = {2023}
}
备注
Submitted to Biomedical Optics Express on January 21, 2023