FUN-SIS：一种全无监督的手术器械分割方法
计算机视觉与模式识别
2022-02-17 v1
摘要
内窥镜图像自动手术器械分割是许多微创计算机辅助应用的关键组成部分。迄今为止，最先进的方法完全依赖于通过人工标注获得的真值监督信号，因此大规模收集成本高昂。本文提出 FUN-SIS，一种用于二值手术器械分割的全无监督（Fully-UNsupervised）方法。FUN-SIS 在完全无标注的内窥镜视频上训练逐帧分割模型，仅依靠隐式运动信息与器械形状先验。我们将形状先验定义为器械的真实分割掩码，不一定来自与视频相同的数据集/域。形状先验可通过多种便捷方式收集，例如复用其他数据集的现有标注。我们将其用作一种新颖生成对抗方法的一部分，从而在训练中对光流图像进行无监督器械分割。随后我们将获得的器械掩码作为伪标签来训练逐帧分割模型；为此，我们设计了一种从噪声标签学习的架构，旨在利用伪标签特有的噪声特性从中提取干净的监督信号。我们在三个手术数据集上验证了所提方法，包括 MICCAI 2017 EndoVis 机器人器械分割挑战赛数据集。所得全无监督手术器械分割结果几乎与全监督最先进方法持平。这表明所提方法在利用微创领域产生的大量无标注数据方面具有巨大潜力。
引用
@article{arxiv.2202.08141,
title = {FUN-SIS: a Fully UNsupervised approach for Surgical Instrument Segmentation},
author = {Luca Sestini and Benoit Rosa and Elena De Momi and Giancarlo Ferrigno and Nicolas Padoy},
journal= {arXiv preprint arXiv:2202.08141},
year = {2022}
}