CORPS：基于相似度排序的零成本严格伪标注用于脑MRI分割
计算机视觉与模式识别
2022-05-20 v1
摘要
脑磁共振图像(MRI)分割对于人脑分析与各种脑疾病诊断至关重要。基于图谱与监督机器学习方法旨在缓解耗时且易错的手动勾画程序的缺点，前者计算密集，后者缺乏足够大量的标注数据。基于此动机，我们提出CORPS，一种建立在新型基于图谱的伪标注方法与三维深度卷积神经网络(DCNN)之上的半监督分割框架，用于三维脑MRI分割。本工作中，我们提出依据基于局部强度的相似度分数对未标注图像集按序生成专家级伪标签（相对于已有标注图像集），并使用一种新型基于图谱的标签融合方法。然后，我们提出在专家与伪标注图像的组合上训练三维DCNN，对每个解剖结构进行二值分割。提出二值分割方法以避免多类分割方法在有限且不平衡数据上的不佳表现。这也允许采用轻量高效的三维DCNN（就滤波器数量而言）并将存储资源保留给在全尺度、全分辨率三维MRI体数据上训练二值网络，而非2D/3D块或2D切片。因此，所提框架能封装各维度的空间连续性并增强上下文感知。实验结果从定性与定量上证明了所提框架相对于基线方法的优越性，且无需额外的手动标注成本。
引用
@article{arxiv.2205.09601,
title = {CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation},
author = {Can Taylan Sari and Sila Kurugol and Onur Afacan and Simon K. Warfield},
journal= {arXiv preprint arXiv:2205.09601},
year = {2022}
}