基于注视的视频与体积数据真值标注的期望指数损失

许多近期应用于医学影像的机器学习方法高度依赖大量的图像和真值数据。在物体分割的背景下，像素级标注的收集成本极高，尤其是在视频和 3D 体积数据中。为了减轻这一标注负担，我们提出了一种新框架，允许标注者只需观察待分割物体，并使用价值 200 美元的眼动追踪仪记录其注视位置。随后，我们的方法估计整个序列中物体存在的像素级概率，并利用一种新颖的期望指数损失函数（Expected Exponential loss function）在半监督设置下训练分类器。我们表明，与现有策略相比，我们的框架在广泛的医学影像场景中提供了更优越的性能，并且我们的方法也可以与当前的众包范式相结合。