MedUHIP：面向人类在回路中的医学分割
图像与视频处理
2024-08-06 v1 计算机视觉与模式识别
摘要
尽管自然图像分割已展现出惊人的性能，但这些技术无法直接应用于医学图像分割。医学图像分割尤其受到内在不确定性的困扰。例如，组织的模糊边界会导致不同临床医生给出多种合理注释，从而在临床解释之间造成显著差异，并影响后续医学干预。因此，在临床实践中实现从不确定医学图像中获得定量分割变得至关重要。为此，我们提出了一种新方法，将不确定性感知模型与人类在回路交互相结合。不确定性感知模型提出多个合理分割以解决医学图像中固有的不确定性，而人类在回路交互则在临床医生的监督下不断修改分割。这种协作模型确保分割不仅依赖于自动化技术，还通过临床专家知识进行细化。因此，我们的方法代表了该领域的重大进步，增强了医学图像分割的安全性。它不仅提供了从固有不确定医学图像中获得定量分割的全面解决方案，还在算法精度和临床知识之间建立了协同平衡。我们在多个公开的多临床医生注释数据集上对方法进行了评估：REFUGE2、LIDC-IDRI 和 QUBIQ。我们的方法在分割能力方面表现出优越性能，优于广泛的确定性和不确定性感知模型。我们还证明了该模型在较少的交互次数下即可获得显著更好的结果。我们将公开代码，以促进该领域的进一步研究。
引用
@article{arxiv.2408.01620,
title = {MedUHIP: Towards Human-In-the-Loop Medical Segmentation},
author = {Jiayuan Zhu and Junde Wu},
journal= {arXiv preprint arXiv:2408.01620},
year = {2024}
}