基于选择性语义分组的形态学启发无监督腺体分割
计算机视觉与模式识别
2023-07-25 v1
摘要
设计用于腺体分割的深度学习算法对自动癌症诊断与预后至关重要，然而昂贵的标注成本阻碍了该技术的发展与应用。在本文中，我们首次尝试探索一种用于无监督腺体分割的深度学习方法，其不需要任何人工标注。现有无监督语义分割方法在腺体图像上遭遇巨大挑战：它们要么将一个腺体过分割为许多碎片，要么将许多腺体区域与背景混淆从而欠分割。为克服该挑战，我们的关键见解是引入关于腺体形态学的经验线索作为额外知识来引导分割过程。为此，我们提出了一种基于选择性语义分组的新颖形态学启发方法。我们首先利用经验线索选择性地挖掘出具有不同外观的腺体子区域候选。然后，采用形态学感知语义分组模块，通过显式分组其子区域候选的语义来汇总腺体的整体信息。如此，最终的分割网络能够学习关于腺体的全面知识并产出轮廓清晰、完整的预测。我们在 GlaS 数据集和 CRAG 数据集上进行了实验。我们的方法在 mIOU 上超过第二名对手 10.56%。
引用
@article{arxiv.2307.11989,
title = {Morphology-inspired Unsupervised Gland Segmentation via Selective Semantic Grouping},
author = {Qixiang Zhang and Yi Li and Cheng Xue and Xiaomeng Li},
journal= {arXiv preprint arXiv:2307.11989},
year = {2023}
}
备注
MICCAI 2023 Accepted