基于推断时伪标签的 3D 少样本分割性能提升
计算机视觉与模式识别
2024-10-15 v1 人工智能
机器学习
摘要
近年来，少样本分割 (FSS) 模型在医学影像分析中涌现出作为一种有前景的ethods，能够以有限的标注数据对新类别进行出色的适应性分割。现有的少样本分割方法往往忽视了查询样本本身的潜在价值，未能充分利用其所包含的宝贵信息。然而，将查询样本视为无标签数据提供了一个提高预测准确性的机会。在医学影像领域，查询体积结构提供了大量可用于改进目标切片分割的有价值信息。本文提出了一种高效利用查询样本内在信息以增强最终分割的新策略。首先，我们使用来自参考体积的支撑切片通过原型方法生成查询切片的初始分割得分。随后，我们应用置信度感知的伪标签程序，将查询切片中最具信息性的部分传递到支撑集中。最终基于新的扩充支撑集进行预测，实现对查询体积更准确的分割掩码预测。大量实验表明，所提方法能有效提升在多样化设置和数据集上的性能。
引用
@article{arxiv.2410.09967,
title = {Improving 3D Few-Shot Segmentation with Inference-Time Pseudo-Labeling},
author = {Mohammad Mozafari and Hosein Hasani and Reza Vahidimajd and Mohamadreza Fereydooni and Mahdieh Soleymani Baghshah},
journal= {arXiv preprint arXiv:2410.09967},
year = {2024}
}