基于 RECIST 标签空间协同训练的弱监督病灶分割
计算机视觉与模式识别
2023-03-02 v1
摘要
作为癌症进展与治疗反应的重要指示指标，肿瘤大小常依据实体瘤疗效评价标准（RECIST）在 CT 切片中进行测量。通过标记每个病灶的长轴及其最长垂直轴，可避免繁重的逐像素人工标注。然而，这种粗略替代无法提供丰富而准确的基以支撑病灶的多样化定量分析。为此，我们提出一种新颖的弱监督框架，利用现有丰富的 RECIST 标注进行逐像素病灶分割。具体而言，基于各病灶的 RECIST 标注构建一对欠分割与过分割掩码，并分别作为标签协同训练一对子网络，同时提出标签空间扰动诱导的一致性损失以弥合两个子网络间的差距并实现有效协同训练。在公开数据集上进行了大量实验，证明了所提框架在基于 RECIST 的弱监督分割任务上的优越性及其对各种骨干网络的普遍适用性。
引用
@article{arxiv.2303.00205,
title = {RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training},
author = {Lianyu Zhou and Dong Wei and Donghuan Lu and Wei Xue and Liansheng Wang and Yefeng Zheng},
journal= {arXiv preprint arXiv:2303.00205},
year = {2023}
}
备注
ISBI 2023