超越强标签：基于高斯伪标签的弱监督学习用于非增强 CT 中类椭圆血管结构分割
图像与视频处理
2024-10-31 v3 计算机视觉与模式识别
摘要
基于深度学习的术前 CT 扫描中血管结构的自动分割有助于血管疾病的计算机辅助诊断和介入手术。虽然 CT 血管造影是通用标准，但非增强 CT 成像作为一种无对比剂风险的替代方案具有重要意义，可避免与对比剂相关的并发症。然而，由于血管边界的模糊性，标注工作量大且标注变异性高，这阻碍了在非增强 CT 中传统的基于强标签的全监督学习。本文引入了一个利用切片中椭圆拓扑结构的弱监督框架，包括：1）基于预定义标准的高效标注过程，2）椭圆拟合处理，3）生成用作伪标签的二维高斯热图，4）通过结合体素重建损失和与伪标签的分布损失的训练过程。我们在一个本地数据集和两个包含非增强 CT 扫描的公共数据集上评估了所提方法的有效性，特别关注腹主动脉。在本地数据集上，我们基于伪标签的弱监督学习方法优于基于强标签的全监督学习（平均 Dice 分数提高 1.54%），同时减少了约 82.0% 的标注时间。生成伪标签的效率允许将标签无关的外部数据纳入训练集，从而带来性能的额外提升（平均 Dice 分数提高 2.74%），同时标注时间减少 66.3%，且该标注时间仍远少于强标签所需时间。在公开数据集上，伪标签使二维模型的 Dice 分数总体提高了 1.95%，同时使三维模型的 Hausdorff 距离减少了 11.65 个体素间距。
引用
@article{arxiv.2402.03492,
title = {Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs},
author = {Qixiang Ma and Antoine Łucas and Huazhong Shu and Adrien Kaladji and Pascal Haigron},
journal= {arXiv preprint arXiv:2402.03492},
year = {2024}
}
备注
Accepted by journal of Medical Image Analysis