推进 SAM 的边界：一种用于医学分割的伪标签校正框架
图像与视频处理
2023-12-29 v3
摘要
分割一切模型（SAM）已成为分割任务中零样本学习的领先方法，具有避免像素级标注的优势。它在医学图像分割中尤其具有吸引力，因为该领域的标注过程费力且需要专业知识。然而，直接应用 SAM 通常比传统的全监督分割网络产生更差的结果。另一种方法是使用 SAM 作为初始阶段生成伪标签以进一步训练网络。然而，其性能受限于伪标签的质量。在本文中，我们提出了一种新颖的标签校正框架，以推进基于 SAM 的分割的边界。我们的模型利用标签质量评估模块来区分噪声标签与干净标签。这使得能够通过基于不确定性的自校正模块对噪声标签进行校正，从而丰富干净训练集。最后，我们使用更新后的标签重新训练分割网络，以优化其权重用于未来预测。我们模型的一个关键优势是能够使用 SAM 生成的伪标签训练深度网络，而无需依赖一组专家级标注，同时获得良好的分割性能。我们在三个公开数据集上证明了所提模型的有效性，表明其能够提高分割精度并在标签校正中优于基线方法。
引用
@article{arxiv.2308.00883,
title = {Push the Boundary of SAM: A Pseudo-label Correction Framework for Medical Segmentation},
author = {Ziyi Huang and Hongshan Liu and Haofeng Zhang and Xueshen Li and Haozhe Liu and Fuyong Xing and Andrew Laine and Elsa Angelini and Christine Hendon and Yu Gan},
journal= {arXiv preprint arXiv:2308.00883},
year = {2023}
}