基于类激活图与 Resnet-LSTM 的非增强 CT 图像弱监督出血分割
图像与视频处理
2023-09-29 v1 计算机视觉与模式识别
摘要
在临床环境中，颅内出血（ICH）常规使用非增强 CT（NCCT）进行严重程度评估诊断。准确的 ICH 病灶自动分割是初始且必要的一步，对此类评估极为有用。然而，与其他结构成像模态（如 MRI）相比，NCCT 图像中 ICH 对比度极低且信噪比差。近年来，基于深度学习（DL）的方法展现出巨大潜力，但其训练需要大量手动标注的病灶级标签，且需足够多样性以捕捉 ICH 特征。本工作中，我们提出了一种用于 NCCT 扫描上 ICH 分割的新型弱监督 DL 方法，使用图像级二分类标签，与单独 ICH 病灶的手动标注相比更省时省力。我们的方法首先利用分类网络（训练用于学习连续切片间的依赖关系）的类激活图确定 ICH 近似位置。我们进一步使用以无监督方式获得的伪 ICH 掩码细化 ICH 分割。该方法灵活，且在测试时使用计算轻量架构。在 MICCAI 2022 INSTANCE 挑战赛验证数据上评估我们的方法，尽管在更小的训练数据上训练，我们的方法取得了 0.55 的 Dice 值，与现有弱监督方法（Dice 值 0.47）相当。
引用
@article{arxiv.2309.16627,
title = {Class Activation Map-based Weakly supervised Hemorrhage Segmentation using Resnet-LSTM in Non-Contrast Computed Tomography images},
author = {Shreyas H Ramananda and Vaanathi Sundaresan},
journal= {arXiv preprint arXiv:2309.16627},
year = {2023}
}