基于超像素与置信学习引导增强点标注以提升半监督OCT积液分割性能
计算机视觉与模式识别
2023-12-01 v3
摘要
光学相干断层扫描(OCT)图像中积液的自动分割有助于眼科医生做出准确诊断。尽管半监督OCT积液分割网络通过引入额外的无标签数据提升了性能,但性能提升有限。为此,我们提出了基于师生架构的超像素与置信学习引导点标注网络(SCLGPA-Net),该网络能够从有限的完全标注数据和丰富的点标注数据中学习OCT积液分割。具体而言,我们使用点来标注无标签OCT图像中的积液区域,超像素引导伪标签生成(SGPLG)模块根据点标注生成伪标签和像素级标签可信度图。标签可信度图指示了伪标签的可靠性。此外,我们提出了置信学习引导标签精炼(CLGLR)模块来识别伪标签中的错误信息并进一步精炼。在RETOUCH数据集上的实验表明,我们能够将完全标注数据的需求减少94.22%,将与最佳全监督基线方法的差距缩小到仅2%的平均交并比(IoU)。此外,我们构建了一个私有的2D OCT积液分割数据集用于评估。与其他方法相比,综合实验结果表明所提方法在OCT积液分割中能够取得优异性能。
引用
@article{arxiv.2306.02582,
title = {Enhancing Point Annotations with Superpixel and Confidence Learning Guided for Improving Semi-Supervised OCT Fluid Segmentation},
author = {Tengjin Weng and Yang Shen and Kai Jin and Zhiming Cheng and Yunxiang Li and Gewen Zhang and Shuai Wang and Yaqi Wang},
journal= {arXiv preprint arXiv:2306.02582},
year = {2023}
}
备注
Submission to BSPC