Mixed-UNet：基于多尺度推理细化类激活映射的弱监督语义分割
图像与视频处理
2022-05-10 v1 计算机视觉与模式识别
摘要
深度学习技术在医学图像处理中展现出巨大潜力，尤其是通过对磁共振成像（MRI）或计算机断层扫描（CT）的准确可靠的图像分割，可实现病灶的定位与诊断。然而，训练这些分割模型需要大量手动标注的像素级标签，这耗时耗力，而图像级标签更易获取。鉴于此，利用图像级标签作为监督的弱监督语义分割模型来解决问题势在必行，因为这能显著减少人工标注工作量。大多数先进方案利用类激活映射（CAM）。然而，原始 CAM 很少能捕捉病灶的精确边界。在本研究中，我们提出多尺度推理策略，通过减少单尺度推理中的细节损失来细化 CAM。对于分割，我们开发了名为 Mixed-UNet 的新模型，其在解码阶段具有两个并行分支。融合两分支提取的特征后可得到结果。我们在本地医院收集的数据集及公共数据集上，将所设计的 Mixed-UNet 与几种流行的基于深度学习的分割方法进行了评估。验证结果表明，在脑成像中各类病灶的分割上，我们的模型在相同监督水平下超越了现有方法。
引用
@article{arxiv.2205.04227,
title = {Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference},
author = {Yang Liu and Ersi Zhang and Lulu Xu and Chufan Xiao and Xiaoyun Zhong and Lijin Lian and Fang Li and Bin Jiang and Yuhan Dong and Lan Ma and Qiming Huang and Ming Xu and Yongbing Zhang and Dongmei Yu and Chenggang Yan and Peiwu Qin},
journal= {arXiv preprint arXiv:2205.04227},
year = {2022}
}
备注
12 pages, 7 figures