基于超体素自监督、受异常检测启发的小样本医学图像分割
图像与视频处理
2022-03-07 v1 计算机视觉与模式识别
摘要
近期研究表明，通过自监督实现标签高效的小样本学习可取得有前景的医学图像分割结果。然而，小样本分割模型通常依赖语义类的原型表示，导致局部信息丢失而降低性能。对于医学图像分割问题中通常庞大且高度异质的背景类，这一问题尤为突出。已有工作尝试通过学习每类额外原型来解决，但由于原型基于有限切片，我们认为这种临时方案不足以刻画背景属性。受此及前景类（如单一器官）相对均质这一观察的启发，我们提出一种新颖的受异常检测启发的小样本医学图像分割方法，其中我们避免显式建模背景。相反，我们仅依靠单一前景原型计算所有查询像素的异常分数。随后通过使用学习到的阈值对这些异常分数进行阈值化来完成分割。在一种利用医学图像三维结构、通过超体素实现的新型自监督任务辅助下，我们提出的受异常检测启发的小样本医学图像分割模型在腹部器官分割与心脏分割两个代表性 MRI 数据集上的任务中优于既往最优方法。
引用
@article{arxiv.2203.02048,
title = {Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through Self-Supervision With Supervoxels},
author = {Stine Hansen and Srishti Gautam and Robert Jenssen and Michael Kampffmeyer},
journal= {arXiv preprint arXiv:2203.02048},
year = {2022}
}
备注
Accepted in Medical Image Analysis