用于MR图像中脑肿瘤弱监督分割的深度超像素生成与聚类
计算机视觉与模式识别
2024-01-24 v2
摘要
训练机器学习模型以分割医学图像中的肿瘤及其他异常是开发诊断工具的重要步骤，但通常需要有手动标注的真值分割，这需耗费大量时间与资源。本工作提出使用超像素生成模型与超像素聚类模型来实现弱监督脑肿瘤分割。所提方法利用易于获取的图像级二分类标签，在无需真值标注的情况下，显著改进标准弱监督方法生成的初始感兴趣区分割。我们使用来自Multimodal Brain Tumor Segmentation Challenge 2020数据集的磁共振脑扫描二维切片以及指示肿瘤存在的标签来训练该流程。在测试队列上，我们的方法取得了0.691的平均Dice系数和18.1的平均95% Hausdorff距离，优于现有的基于超像素的弱监督分割方法。
引用
@article{arxiv.2209.09930,
title = {Deep Superpixel Generation and Clustering for Weakly Supervised Segmentation of Brain Tumors in MR Images},
author = {Jay J. Yoo and Khashayar Namdar and Farzad Khalvati},
journal= {arXiv preprint arXiv:2209.09930},
year = {2024}
}
备注
12 pages, LaTeX; updated methodology, added additional results, revised discussion