OCTAve：基于局部性增强的弱监督学习用于二维正面光学相干断层扫描血管造影血管分割
图像与视频处理
2023-01-06 v1 计算机视觉与模式识别
机器学习
摘要
尽管利用深度学习技术从二维正面OCTA中提取血管结构的研究日益增多，但众所周知，对于此类方法，对视网膜血管等曲线结构进行数据标注的过程非常昂贵且耗时，尽管已有少数研究试图解决标注问题。在本工作中，我们提出应用基于涂鸦的弱监督学习方法来自动化像素级标注。所提出的方法称为OCTAve，它结合了使用涂鸦标注真值并辅以对抗式监督和一种新颖的自监督深度监督的弱监督学习。我们的新机制旨在利用类UNet架构中判别层的判别性输出，在训练过程中最小化聚合判别性输出与分割图预测之间的Kullback-Liebler散度。如我们的实验所示，这种组合方法能更好地定位血管结构。我们在大型公开数据集（即ROSE、OCTA-500）上验证了所提出的方法。分割性能与最先进的完全监督方法和基于涂鸦的弱监督方法进行了比较。实验中使用的我们的工作实现位于[LINK]。
引用
@article{arxiv.2207.12238,
title = {OCTAve: 2D en face Optical Coherence Tomography Angiography Vessel Segmentation in Weakly-Supervised Learning with Locality Augmentation},
author = {Amrest Chinkamol and Vetit Kanjaras and Phattarapong Sawangjai and Yitian Zhao and Thapanun Sudhawiyangkul and Chantana Chantrapornchai and Cuntai Guan and Theerawit Wilaiprasitporn},
journal= {arXiv preprint arXiv:2207.12238},
year = {2023}
}