探索用于医学影像系统的弱监督语义分割集成方法
计算机视觉与模式识别
2023-03-17 v2
摘要
利用最先进的语义分割网络对图像中特定病症进行可靠分类与检测，需要海量像素级标注。然而，此类数据集的公开可用性极低。因此，使用图像级标签的语义分割成为解决该问题的一个有前景的替代方案。尽管如此，极少有工作关注该技术及其在医疗领域的适用性评估。由于医学数据集的复杂性与训练样本量少，基于分类器的弱监督网络（如类激活图 CAM）难以从中提取有用信息。然而，多数最先进方法依赖它们来实现改进。为此，我们提出一种框架，仍能利用复杂数据集的低质量 CAM 预测来提升结果准确率。我们的框架首先利用较低阈值的 CAM 以高确定性覆盖目标对象；其次，通过组合多个低阈值 CAM，使其误差相互抵消同时突出目标对象。我们在流行的多模态 BRATS 与前列腺 DECATHLON 分割挑战数据集上进行了详尽实验。使用所提框架，相较先前最优方法，我们在 BRATS 上 dice 分数提升达 8%，在 DECATHLON 上达 6%。
引用
@article{arxiv.2303.07896,
title = {Exploring Weakly Supervised Semantic Segmentation Ensembles for Medical Imaging Systems},
author = {Erik Ostrowski and Bharath Srinivas Prabakaran and Muhammad Shafique},
journal= {arXiv preprint arXiv:2303.07896},
year = {2023}
}