EAUWSeg：消除弱监督医学图像分割中的标注不确定性
计算机视觉与模式识别
2025-01-06 v1 人工智能
摘要
弱监督医学图像分割正受到越来越多的关注，因为它只需要粗略标注而非精确的像素级标签，从而减轻了专家的工作量。尽管已取得一些进展，但标签高效方法与全监督方法之间仍存在相当大的性能差距，这可归因于这些弱标签的不确定性本质。为解决此问题，我们提出了一种新的弱标注方法及其学习框架 EAUWSeg，以消除标注不确定性。具体而言，我们首先通过简单地为病灶标注两个多边形，提出了有界多边形标注（BPAnno）。随后，我们提出了一种定制的学习机制，将两个有界多边形显式地视为两个独立的标注，通过为模型训练提供对抗监督信号来学习不变特征。接着，设计了一个结合分类引导置信度生成器的置信度辅助一致性学习器，通过利用同一类别内像素间的特征表示一致性以及有界多边形标注中封装的类别特定信息，为不确定区域中的像素提供可靠的监督信号。实验结果表明，EAUWSeg 优于现有的弱监督分割方法。此外，与全监督方法相比，所提方法不仅提供了更优的性能，而且所需的标注工作量也少得多。这凸显了我们方法的优越性和有效性。
引用
@article{arxiv.2501.01658,
title = {EAUWSeg: Eliminating annotation uncertainty in weakly-supervised medical image segmentation},
author = {Wang Lituan and Zhang Lei and Wang Yan and Wang Zhenbin and Zhang Zhenwei and Zhang Yi},
journal= {arXiv preprint arXiv:2501.01658},
year = {2025}
}