基于不精确三维边界框的医学图像分割

高质量医学图像分割算法的开发依赖于具有像素级标签的大规模数据集的可用性。收集此类数据集（尤其是三维体数据）的挑战促使人们开发能够从其他易于获取的标签类型（例如边界框）中学习的方法。我们关注具有相应三维边界框的三维医学图像，这些边界框被视为一系列逐切片的非紧致二维边界框。虽然当前使用二维边界框作为弱标签的弱监督方法可应用于医学图像分割，但我们表明，当边界框紧致性假设不成立时，它们的成功有限。我们提出了一种新的边界框校正框架，该框架在少量像素级标注上训练，以改进更大规模非紧致边界框标注的紧致性。通过使用和不使用所提边界框校正算法评估一种已知的弱监督分割方法，证明了我们方案的有效性。当紧致性经我们的方案改善后，弱监督分割的结果变得与全监督的结果更为接近。