HELPNet：层次扰动一致性与熵导引的基于草图的医学图像分割
计算机视觉与模式识别
2024-12-30 v1
摘要
创建医学图像分割的完全标注标签代价高昂且耗时，迫切需要创新方法以减少对详细标注的依赖。草图标注提供了更具成本效益的替代方案，显著降低了完整标注的成本。然而，草图标注提供的信息有限且不精确，无法捕捉准确器官描绘所必需的详细结构和边界特征。为此，我们提出 HELPNet，一种新颖的基于草图的弱监督分割框架，旨在弥合标注效率与分割性能之间的差距。HELPNet 集成了三个模块。层次扰动一致性（HPC）模块通过在全局、局部和焦点视图上采用受密度控制的拼图扰动，增强特征学习，实现对多尺度结构表征的稳健建模。基于此，熵导引的伪标签（EGPL）模块利用熵评估分割预测的置信度，生成高质量的伪标签。最后，结构先验细化（SPR）模块纳入连通性和有界先验，以增强伪标签的精确度和可靠性。在三个公开数据集 ACDC、MSCMRseg 和 CHAOS 上的实验结果表明，HELPNet 在基于草图的弱监督分割方面显著优于最先进的方法，并达到与完全监督方法相当的性能。代码已公开于 https://github.com/IPMI-NWU/HELPNet。
引用
@article{arxiv.2412.18738,
title = {HELPNet: Hierarchical Perturbations Consistency and Entropy-guided Ensemble for Scribble Supervised Medical Image Segmentation},
author = {Xiao Zhang and Shaoxuan Wu and Peilin Zhang and Zhuo Jin and Xiaosong Xiong and Qirong Bu and Jingkun Chen and Jun Feng},
journal= {arXiv preprint arXiv:2412.18738},
year = {2024}
}