基于多样化点提示评估交互式三维医学图像分割的测试时变异性
计算机视觉与模式识别
2023-11-15 v1
摘要
交互式分割模型利用来自用户的提示来产生鲁棒的分割。这一进展由提示工程推动，其中交互式提示在测试时作为强先验。然而，这是一个本质主观且难以复现的过程。用户专业知识的差异以及医学图像中固有的模糊边界可能导致不一致的提示选择，潜在影响分割精度。该问题在医学影像中尚未被广泛探索。本文中，我们基于多样化点提示评估交互式医学图像分割的测试时变异性。对于给定的目标区域，将点划分为三个子区域：边界、边缘和中心。我们的目标是基于三点考量确定一种直接高效的测试时最优提示选择方法：（1）额外提示的益处，（2）提示放置的影响，以及（3）最优提示选择策略。我们在公开的 Medical Segmentation Decathlon 数据集上针对具有挑战性的结肠肿瘤分割任务进行了大量实验。我们提出了一种测试时提示选择的最优策略，并有全面结果支撑。代码公开于 https://github.com/MedICL-VU/variability
引用
@article{arxiv.2311.07806,
title = {Assessing Test-time Variability for Interactive 3D Medical Image Segmentation with Diverse Point Prompts},
author = {Hao Li and Han Liu and Dewei Hu and Jiacheng Wang and Ipek Oguz},
journal= {arXiv preprint arXiv:2311.07806},
year = {2023}
}