CycleMix:一种用于涂鸦监督医学图像分割的整体策略
图像与视频处理
2022-03-15 v2 计算机视觉与模式识别
摘要
标注大量全监督训练数据成本高昂,对于医学图像分割任务尤为如此。涂鸦(scribble)作为一种较弱的标注形式,在实践中更易获取,但基于有限涂鸦监督训练分割模型仍具挑战性。为应对这些困难,我们提出一种基于涂鸦学习的医学图像分割新框架,其由混合增强与循环一致性组成,故称为 CycleMix。对于监督的增强,CycleMix 采用带有随机遮挡专门设计的 mixup 策略,以实现涂鸦的增减。对于监督的正则化,CycleMix 通过一致性损失强化训练目标以惩罚不一致分割,从而显著提升分割性能。在两个开放数据集(即 ACDC 和 MSCMRseg)上的结果表明,所提方法取得了令人振奋的性能,达到甚至优于全监督方法的精度。MSCMRseg 的代码与专家制作的涂鸦标注已公开于 https://github.com/BWGZK/CycleMix。
引用
@article{arxiv.2203.01475,
title = {CycleMix: A Holistic Strategy for Medical Image Segmentation from Scribble Supervision},
author = {Ke Zhang and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2203.01475},
year = {2022}
}
备注
10 pages, 5 figures