为真实与合成数据自动生成弱标签以改进标签稀缺的医学图像分割
计算机视觉与模式识别
2024-04-29 v1
摘要
逐像素创建金标准标签的高昂成本、专家资源的有限性以及多样化任务的存在，使得为医学成像任务生成分割标签以训练深度学习模型面临巨大挑战。在本工作中，我们提出了一种新方法，通过利用 Segment Anything Model (SAM) 及其医学变体 MedSAM 等基础模型来克服昂贵的医学图像标注障碍。我们的流程能够为任何未标注的医学图像生成弱标签，并随后利用其来增强标签稀缺的数据集。我们通过利用在少量金标准标签上训练的模型，并使用它智能地提示 MedSAM 生成弱标签来实现这一点。这种自动化消除了 MedSAM 中手动提示的步骤，创建了一个为任意数量的真实和合成图像生成标签的精简流程。我们在涵盖超声、皮肤病学和X射线等多种模态的多个任务上进行了标签稀缺设置下的实验，以展示我们流程的有效性。代码可在 https://github.com/stanfordmlgroup/Auto-Generate-WLs/ 获取。
引用
@article{arxiv.2404.17033,
title = {Auto-Generating Weak Labels for Real & Synthetic Data to Improve Label-Scarce Medical Image Segmentation},
author = {Tanvi Deshpande and Eva Prakash and Elsie Gyang Ross and Curtis Langlotz and Andrew Ng and Jeya Maria Jose Valanarasu},
journal= {arXiv preprint arXiv:2404.17033},
year = {2024}
}
备注
Accepted at MIDL 2024