PyMIC：用于标注高效医学图像分割的深度学习工具包
图像与视频处理
2023-02-14 v2 计算机视觉与模式识别
摘要
背景与目的：开源深度学习工具包是开发医学图像分割模型的驱动力之一。现有工具包主要关注全监督分割，需要耗时且难以获取的完整准确像素级标注，这使得从不完美标签中学习对于降低标注成本极为必要。我们旨在开发一种新的深度学习工具包以支持标注高效的医学图像分割学习。方法：我们提出的工具包 PyMIC 是一个用于医学图像分割任务的模块化深度学习库。除支持开发高性能全监督分割模型的基础组件外，它包含若干为从不完美标注学习量身定制的高级组件，例如加载已标注和未标注图像、用于未标注或部分或不准确标注图像的损失函数，以及多网络间协同学习的训练流程等。PyMIC 支持开发半监督、弱监督和噪声鲁棒的医学图像分割学习方法。结果：我们基于 PyMIC 展示了若干说明性医学图像分割任务：（1）在全监督学习上取得有竞争力的性能；（2）仅标注 10% 训练图像的半监督心脏结构分割；（3）使用涂鸦标注的弱监督分割；（4）从噪声标签学习进行胸部 X 光分割。结论：PyMIC 工具包易于使用，并促进以不完美标注高效开发医学图像分割模型。它是模块化且灵活的，使研究者能以低标注成本开发高性能模型。源代码见：https://github.com/HiLab-git/PyMIC。
引用
@article{arxiv.2208.09350,
title = {PyMIC: A deep learning toolkit for annotation-efficient medical image segmentation},
author = {Guotai Wang and Xiangde Luo and Ran Gu and Shuojue Yang and Yijie Qu and Shuwei Zhai and Qianfei Zhao and Kang Li and Shaoting Zhang},
journal= {arXiv preprint arXiv:2208.09350},
year = {2023}
}
备注
12 pages, 6 figures