从少样本稀疏标注中学习分割医学图像
计算机视觉与模式识别
2021-08-24 v2 机器学习
摘要
本文提出一种基于稀疏标注图像进行少样本语义分割的新方法。我们研究了该方法基于模型无关元学习（Model-Agnostic Meta-Learning, MAML）算法在医学场景中的有效性，其中稀疏标注与少样本的使用可减轻制作新标注数据集的成本。我们的方法在元训练中使用稀疏标签，在元测试中使用稠密标签，从而使模型学习从稀疏标签预测稠密标签。我们使用四个胸部 X 光（Chest X-Ray）数据集进行实验，以评估两类标注（网格与点）的效果。结果表明，当目标域与源域差异较大时，我们的方法最为适用，在少样本场景下使用图像中不到 2% 的标注像素，即可取得与稠密标签相当的 Jaccard 分数。
引用
@article{arxiv.2108.05476,
title = {Learning to Segment Medical Images from Few-Shot Sparse Labels},
author = {Pedro H. T. Gama and Hugo Oliveira and Jefersson A. dos Santos},
journal= {arXiv preprint arXiv:2108.05476},
year = {2021}
}