图像中的PICS：用于快速图像分割的物理信息轮廓选择
计算机视觉与模式识别
2024-03-28 v1 机器学习
摘要
深度图像分割模型的有效训练具有挑战性，因为需要大量高质量标注。对人类专家而言，生成标注尤其费力耗时，在医学图像分割中更是如此。为便利图像标注，我们引入物理信息轮廓选择（PICS）——一种可解释、物理信息的算法，可在不依赖标注数据的情况下实现快速图像分割。PICS受物理信息神经网络（PINNs）与称为snake的活动轮廓模型启发。它快速且计算轻量，因为采用三次样条而非深度神经网络作为基函数。其训练参数具有物理可解释性，因为它们直接表示分割曲线的控制节点。传统snake通过推导欧拉-拉格朗日方程并数值求解来最小化基于边缘的损失泛函。而PICS直接最小化损失泛函，绕过了欧拉-拉格朗日方程。它是首个最小化基于区域损失函数而非传统基于边缘损失函数的snake变体。PICS独特地用非定常偏微分方程（PDE）建模三维（3D）分割过程，从而可通过迁移学习加速分割。为证明其有效性，我们将PICS应用于公开心脏数据集上的左心室3D分割。在此过程中，我们还引入了一个新的保凸损失项，编码左心室的形状信息以提升PICS的分割质量。总体而言，PICS在网络架构、迁移学习和物理启发损失方面呈现出若干新颖性，从而展现出有前景的结果和进一步优化的潜力。
引用
@article{arxiv.2311.07002,
title = {PICS in Pics: Physics Informed Contour Selection for Rapid Image Segmentation},
author = {Vikas Dwivedi and Balaji Srinivasan and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:2311.07002},
year = {2024}
}