CUTS：一种用于多粒度无监督医学图像分割的深度学习与拓扑框架
计算机视觉与模式识别
2024-06-27 v7
摘要
医学图像分割对于促进患者诊断和定量研究至关重要。一个主要的限制因素是缺乏标注数据，因为为每一组新的成像数据和任务获取专家标注可能耗费大量人力且标注者之间不一致。我们提出 CUTS，一种用于医学图像分割的无监督深度学习框架。CUTS 分两个阶段运行。对于每幅图像，它通过图像内对比学习和局部块重建生成嵌入图。然后，这些嵌入在对应于数据拓扑的动态粒度级别上进行划分。CUTS 产生一系列从粗到细粒度的分割，突出不同粒度下的特征。我们将 CUTS 应用于视网膜眼底图像和两类脑 MRI 图像，以描绘不同尺度下的结构和模式。当与预定义的解剖掩膜评估对比时，CUTS 相比现有无监督方法将 Dice 系数和 Hausdorff 距离至少提升了 10%。最后，CUTS 展现出与在海量标注数据集上预训练的 Segment Anything Models（SAM、MedSAM、SAM-Med2D）相当的性能。
引用
@article{arxiv.2209.11359,
title = {CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation},
author = {Chen Liu and Matthew Amodio and Liangbo L. Shen and Feng Gao and Arman Avesta and Sanjay Aneja and Jay C. Wang and Lucian V. Del Priore and Smita Krishnaswamy},
journal= {arXiv preprint arXiv:2209.11359},
year = {2024}
}
备注
Accepted to the 27th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2024)