基于原型学习的粗标注视网膜病灶细化
计算机视觉与模式识别
2022-08-31 v1
摘要
基于深度学习的视网膜病灶分割方法通常需要大量精确的像素级标注数据。然而，使用圆形或椭圆形等粗标注勾画病灶区域，其效率可比像素级标注高出六倍。因此，本文提出一种标注细化网络，将粗标注转换为像素级分割掩码。我们的主要创新在于应用原型学习范式，以增强跨不同数据集或不同病灶类型的泛化能力。我们还引入了原型加权模块，以应对病灶过小的困难情况。所提方法在公开可用的 IDRiD 数据集上训练，随后泛化到公开的 DDR 数据集以及我们真实世界的私有数据集。实验表明，我们的方法大幅改善了初始粗掩码，并以较大优势优于非原型基线。此外，我们展示了原型加权模块在跨数据集和跨类别设置中的有效性。
引用
@article{arxiv.2208.14294,
title = {Coarse Retinal Lesion Annotations Refinement via Prototypical Learning},
author = {Qinji Yu and Kang Dang and Ziyu Zhou and Yongwei Chen and Xiaowei Ding},
journal= {arXiv preprint arXiv:2208.14294},
year = {2022}
}
备注
MICCAI22 workshop MLMI 2022