用于端到端弱监督图像分割的极值点间测地线方法
计算机视觉与模式识别
2021-11-08 v3
摘要
我们提出，一种弱监督3D方法，使用特别弱的训练期标注——仅对感兴趣物体边界上的6个极值点进行点击——来训练深度图像分割网络。我们的全自动化方法以端到端方式训练，且不需要任何测试期标注。由极值点提取感兴趣物体周围的3D边界框。随后，生成连接极值点的深度测地线，以增加边界框内“已标注”体素的数量。最后，使用由条件随机场公式导出的弱监督正则化损失来鼓励同质区域上预测的一致性。我们在用于前庭神经鞘瘤分割的大型开放数据集上进行了充分实验。取得了具有竞争力的性能，接近全监督并显著优于其他基于边界框的弱监督技术。此外，在给定固定标注时间预算下，优于全监督。我们的代码与数据已在线公开。
引用
@article{arxiv.2107.00583,
title = {Inter Extreme Points Geodesics for End-to-End Weakly Supervised Image Segmentation},
author = {Reuben Dorent and Samuel Joutard and Jonathan Shapey and Aaron Kujawa and Marc Modat and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:2107.00583},
year = {2021}
}
备注
Early accept at MICCAI 2021 - code available at: https://github.com/ReubenDo/InExtremIS