BoxNet：仅使用框标注的基于深度学习的生物医学图像分割
计算机视觉与模式识别
2018-06-05 v1
摘要
近年来，深度学习（DL）方法已成为生物医学图像分割的有力工具。然而，通常需要大量的标注工作与成本来为 DL 模型获取足够的生物医学训练数据。为减轻人工标注负担，本文提出一种仅使用框标注的弱监督 DL 生物医学图像分割新方法。首先，我们开发一种结合图搜索（GS）与 DL 的方法，从框标注生成精细目标掩码：DL 利用框标注计算粗略分割供 GS 使用，然后 GS 用于定位最优目标边界。在掩码生成过程中，我们谨慎利用框标注信息滤除潜在错误，随后用生成的掩码训练精确的 DL 分割网络。在组织学图像腺体分割、超声图像淋巴结分割及电子显微镜图像真菌分割上的大量实验表明，我们的方法优于已知最佳的弱监督 DL 方法，且能够（1）以远更少的标注代价达到与全监督 DL 方法几乎相同的精度，（2）在相近标注时间内取得显著更优结果，（3）在各种应用中保持鲁棒性能。
引用
@article{arxiv.1806.00593,
title = {BoxNet: Deep Learning Based Biomedical Image Segmentation Using Boxes Only Annotation},
author = {Lin Yang and Yizhe Zhang and Zhuo Zhao and Hao Zheng and Peixian Liang and Michael T. C. Ying and Anil T. Ahuja and Danny Z. Chen},
journal= {arXiv preprint arXiv:1806.00593},
year = {2018}
}