ProCNS：面向弱监督医学图像分割的渐进式原型校准与噪声抑制
计算机视觉与模式识别
2024-12-25 v3 机器学习
摘要
弱监督分割 (WSS) 通过采用稀疏标注格式（例如点、涂鸦、块等）成为缓解标注成本与模型性能之间冲突的一种解决方案。典型方法试图利用解剖学和拓扑学先验知识，直接将稀疏标注扩展为伪标签。然而，由于对医学图像中的模糊边缘关注不足以及对稀疏监督的探索不充分，现有方法倾向于在噪声区域生成错误且过度自信的伪提案，导致累积的模型误差和性能下降。在这项工作中，我们提出了一种名为 ProCNS 的新型 WSS 方法，它包含两个基于渐进式原型校准和噪声抑制原理设计的协同模块。具体来说，我们设计了一个基于原型的区域空间亲和力 (PRSA) 损失，以最大化空间和语义元素之间的成对亲和力，为我们感兴趣的模型提供更可靠的指导。这些亲和力源自输入图像和原型精炼的预测。同时，我们提出了一个自适应噪声感知与掩码 (ANPM) 模块，以获得更丰富、更具代表性的原型表示，该模块能自适应地识别并掩码伪标签中的噪声区域，从而减少原型计算过程中潜在的误差干扰。此外，我们为 ANPM 识别的噪声区域生成了专门的软伪标签，提供补充监督。在涉及不同模态的六项医学图像分割任务上进行的大量实验表明，所提出的框架显著优于代表性的最先进方法。
引用
@article{arxiv.2401.14074,
title = {ProCNS: Progressive Prototype Calibration and Noise Suppression for Weakly-Supervised Medical Image Segmentation},
author = {Y. Liu and L. Lin and K. K. Y. Wong and X. Tang},
journal= {arXiv preprint arXiv:2401.14074},
year = {2024}
}