OOD-SEG：利用分布外检测技术从稀疏多类仅正样本标注中学习图像分割
计算机视觉与模式识别
2026-04-09 v4
摘要
尽管取得了显著进展，但基于深度神经网络的医学和手术成像分割仍面临多个挑战，本文旨在解决其中两个。首先，获取医学图像的完整像素级分割标签耗时且需要领域专业知识。其次，典型的分割流水线无法检测分布外（OOD）像素，使其在部署时容易产生虚假输出。本文提出了一种新颖的分割方法，大体属于正样本-无标签（PU）学习范式，并利用 OOD 检测技术中的工具。我们的框架仅从多个仅正类的稀疏标注像素中学习，不使用任何背景类标注。这些多类正样本标注自然属于分布内（ID）集合。未标注像素可能包含正类，也可能包含负类，包括标准分割公式中通常称为\emph{background}的部分。据我们所知，本文首次将稀疏仅正样本标注的多类分割表述为像素级 PU 学习问题，并利用 OOD 检测技术加以解决。在此，我们省去了背景标注的需求，将其连同任何其他未见类别视为 OOD 集合的一部分。我们的框架可在像素级集成任何为分类任务设计的 OOD 检测方法。为解决医学图像分割缺乏现成 OOD 数据集和既定评估指标的问题，我们提出了一种交叉验证策略，将保留的标注类别视为 OOD。在多类高光谱和 RGB 手术成像数据集上的大量实验证明了我们提出框架的鲁棒性和泛化能力。
引用
@article{arxiv.2411.09553,
title = {OOD-SEG: Exploiting out-of-distribution detection techniques for learning image segmentation from sparse multi-class positive-only annotations},
author = {Junwen Wang and Zhonghao Wang and Oscar MacCormac and Jonathan Shapey and Tom Vercauteren},
journal= {arXiv preprint arXiv:2411.09553},
year = {2026}
}
备注
Accepted in MedIA