CS$^2$:一种仅需极少人工干预的图像与标注可控同步合成器
图像与视频处理
2022-06-28 v1 计算机视觉与模式识别
机器学习
摘要
图像数据及其对应专家标注的匮乏限制了AI诊断模型的训练能力，并可能抑制其性能。为解决数据与标签稀缺的问题，已有生成模型被用于扩充训练数据集。先前提出的生成模型通常需要手动调整的标注（如分割掩码）或需要预先标注。然而，研究发现这些基于预标注的方法会产生幻觉伪影，可能误导下游临床任务，而手动调整则繁琐且主观。为避免手动调整与预标注，我们在本研究中提出一种新颖的可控同步合成器（称为CS），可同时生成真实图像与相应标注。我们的CS模型使用从COVID-19患者收集的高分辨率CT（HRCT）数据进行训练与验证，以在极少人工干预下实现高效的感染分割。我们的贡献包括：1）一个条件图像合成网络，接收来自参考CT图像的风格信息与来自无监督分割掩码的结构信息；2）一个相应的分割掩码合成网络，可同时自动分割这些合成图像。我们在COVID-19患者的HRCT扫描上进行的实验研究表明，与以全监督方式训练和微调的最先进nnUNet相比，我们的CS模型能够生成真实的合成数据集并取得有前景的COVID感染分割结果。
引用
@article{arxiv.2206.13394,
title = {CS$^2$: A Controllable and Simultaneous Synthesizer of Images and Annotations with Minimal Human Intervention},
author = {Xiaodan Xing and Jiahao Huang and Yang Nan and Yinzhe Wu and Chengjia Wang and Zhifan Gao and Simon Walsh and Guang Yang},
journal= {arXiv preprint arXiv:2206.13394},
year = {2022}
}
备注
11 figures, Accepted by MICCAI 2022