每次标注都至关重要：面向医学图像分割的多标签深度监督
计算机视觉与模式识别
2021-04-28 v1
摘要
像素级分割是我们领域中数据量与标注量需求最大的任务之一。提供具有代表性与准确的标注通常至关重要，尤其对于具有挑战性的医学应用。在本文中，我们提出一种半弱监督分割算法以克服此障碍。我们的方法基于深度监督与学生-教师模型的新公式，并允许轻松集成不同的监督信号。与先前工作相反，我们表明必须谨慎处理深度监督如何集成到较低层，并将多标签深度监督作为成功的最关键秘诀予以呈现。凭借我们新颖的分割训练机制——灵活利用完全标注、仅边界框标注、仅全局标签标注或完全未标注的图像——我们能够将昂贵标注的需求削减 94.22%，同时将与最佳全监督基线的差距缩小至仅 5% 平均 IoU。我们的方法在视网膜液分割上通过大量实验得到验证，并对每种标注类型在提升分割性能上预期产生的影响提供了深入分析。
引用
@article{arxiv.2104.13243,
title = {Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation},
author = {Simon Reiß and Constantin Seibold and Alexander Freytag and Erik Rodner and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2104.13243},
year = {2021}
}
备注
Accepted at CVPR 2021