以低标注成本对大结构进行分割的部分标注方法
图像与视频处理
2022-09-27 v1 计算机视觉与模式识别
机器学习
摘要
深度学习方法已被证明可有效自动分割医学影像中的结构与病灶。然而，它们需要大型标注数据集，其人工分割是一项繁琐且耗时的任务，尤其对于大结构。我们提出一种新的部分标注方法，该方法使用来自每次扫描的一小组连续标注切片，其标注工作量仅相当于少数几个标注病例。部分标注的训练仅使用标注块，纳入感兴趣结构之外切片的信息，并修改批量损失函数以仅考虑标注切片。为促进低数据环境下的训练，我们使用两步优化过程。我们在两种 MRI 序列 TRUFI 和 FIESTA 的胎儿身体分割任务上以流行的软 Dice 损失测试该方法，并在相似标注工作量下比较全标注与部分标注方案。对于 TRUFI 数据，使用部分标注平均性能略优于全标注，Dice 分数从 0.936 提升至 0.942，且 Dice 分数的标准差（STD）降低 22%、平均对称表面距离（ASSD）降低 15%。对于 FIESTA 序列，部分标注也使分布内数据的 Dice 分数与 ASSD 指标的 STD 分别降低 27.5% 和 33%，并在分布外数据的平均性能上也有显著提升，Dice 分数从 0.84 增至 0.9，ASSD 从 7.46 降至 4.01 mm。两步优化过程对分布内与分布外数据的部分标注均有帮助。因此推荐采用带两步优化器的部分标注方法以在低数据环境下提升分割性能。
引用
@article{arxiv.2209.12216,
title = {Partial annotations for the segmentation of large structures with low annotation cost},
author = {Bella Specktor Fadida and Daphna Link Sourani and Liat Ben Sira Elka Miller and Dafna Ben Bashat and Leo Joskowicz},
journal= {arXiv preprint arXiv:2209.12216},
year = {2022}
}
备注
10 pages, 4 figures