基于MAE自监督与点线弱监督范式的半月板自动分割
计算机视觉与模式识别
2022-05-10 v1
摘要
基于深度学习的医学图像分割常面临数据集不足和标注耗时过长的问题。本文中，我们将自监督方法MAE（Masked Autoencoders，掩码自编码器）引入膝关节图像，为分割模型提供良好的初始权重，并提升模型对小数据集的适应性。其次，我们提出了一种基于点与线结合的半月板弱监督分割范式，以减少标注时间。基于弱标签，我们设计了一种区域生长算法来生成伪标签。最后，我们利用自监督的权重迁移，基于伪标签训练分割网络。充分的实验结果表明，我们所提出的结合自监督与弱监督的方法在大幅减少所需标注时间和数据集规模的同时，性能几乎可接近纯全监督模型。
引用
@article{arxiv.2205.03525,
title = {Automatic segmentation of meniscus based on MAE self-supervision and point-line weak supervision paradigm},
author = {Yuhan Xie and Kexin Jiang and Zhiyong Zhang and Shaolong Chen and Xiaodong Zhang and Changzhen Qiu},
journal= {arXiv preprint arXiv:2205.03525},
year = {2022}
}
备注
8 pages,10 figures