基于侧损失的生物医学图像复合图分离
计算机视觉与模式识别
2021-07-20 v1
摘要
无监督学习算法（例如自监督学习、自编码器、对比学习）允许深度学习模型从大规模无标注数据中学习有效的图像表示。在医学图像分析中，即便未标注数据对单个实验室而言也难以获取。幸运的是，已开展国家级工作以提供从以往科学出版物获取生物医学图像数据的便捷途径。例如，NIH 推出了 Open-i 搜索引擎，提供可免费访问的大规模图像数据库。然而，科学出版物中的图像包含大量带子图的复合图。为提取并整理单个子图，已开发了许多不同的复合图分离方法，尤其是随着深度学习的近期进展。然而，以往方法通常需要耗费资源的边界框标注来训练检测模型。在本文中，我们提出了一种简单的复合图分离（SimCFS）框架，其使用来自单个图像的弱分类标注。我们的技术贡献有三方面：（1）我们引入了一种为复合图分离设计的新型侧损失；（2）我们引入了一种类内图像增强方法来模拟困难情形；（3）所提框架能够高效部署到新类别的图像，无需耗费资源的边界框标注。从结果来看，SimCFS 在 ImageCLEF 2016 复合图分离数据库上取得了新的最先进（state-of-the-art）性能。SimCFS 的源代码已公开于 https://github.com/hrlblab/ImageSeperation。
引用
@article{arxiv.2107.08650,
title = {Compound Figure Separation of Biomedical Images with Side Loss},
author = {Tianyuan Yao and Chang Qu and Quan Liu and Ruining Deng and Yuanhan Tian and Jiachen Xu and Aadarsh Jha and Shunxing Bao and Mengyang Zhao and Agnes B. Fogo and Bennett A. Landman and Catie Chang and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2107.08650},
year = {2021}
}