DALSA：基于稀疏标注 MR 图像的监督学习域自适应
图像与视频处理
2024-03-13 v1 计算机视觉与模式识别
摘要
我们提出了一种新方法，利用迁移学习技术有效纠正稀疏标注在自动肿瘤分割监督学习过程中引入的采样选择误差。当前基于学习的自动组织分类方法的实用性受到严重阻碍，因为它们依赖于手动分割的训练数据库，而这些数据库需要为每个应用场景、站点或采集设置重新创建。参考数据集的全面标注可能非常耗时、复杂且容易出错。所提出的方法从稀疏且明确的标注中推导出针对不同组织类别的高质量分类器，并采用域自适应技术有效纠正由稀疏采样引入的采样选择误差。新方法在 19 名恶性胶质瘤患者的标注多模态 MR 图像上进行了验证，并通过在 BraTS 2013 挑战数据集上的比较分析进行了评估。与在完全标注数据上训练相比，我们将标注和训练时间分别减少了 70 倍以上和 180 倍以上，且未牺牲准确性。这极大地缓解了在各种场景和成像设置中建立和不断扩展大型标注数据库的难度，从而代表了基于学习的方法在组织分类中实际适用性的重要一步。
引用
@article{arxiv.2403.07434,
title = {DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated MR Images},
author = {Michael Götz and Christian Weber and Franciszek Binczyk and Joanna Polanska and Rafal Tarnawski and Barbara Bobek-Billewicz and Ullrich Köthe and Jens Kleesiek and Bram Stieltjes and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:2403.07434},
year = {2024}
}