降低标注负担：手术器械分割中基于合成图像的主动学习
计算机视觉与模式识别
2024-07-01 v1
摘要
在机器人辅助手术的内镜视觉中，由于器械上的反射及与组织的频繁接触，准确的器械分割具有挑战性。深度神经网络（DNN）展现出具有竞争力的性能，近年来受到青睐。然而，DNN 对标注数据的渴求带来了巨大的标注工作量。为缓解该工作量，我们提出一种通用的可嵌入方法，利用主动生成的合成图像来减少对标注真实图像的使用。在每次主动学习迭代中，首先由主动学习查询信息量最大的未标注图像，随后进行标注。接下来，基于这些选定图像生成合成图像。将器械与背景裁切出来，并在边界附近通过混合与融合彼此随机组合。所提方法的有效性在 2 个鼻窦手术数据集与 1 个腹腔内手术数据集上得到验证。结果表明性能有显著提升，尤其在标注预算较小时。我们还研究了不同类型合成图像、混合方法及外部背景的有效性。所有代码已开源：https://github.com/HaonanPeng/active_syn_generator。
引用
@article{arxiv.2108.03534,
title = {Reducing Annotating Load: Active Learning with Synthetic Images in Surgical Instrument Segmentation},
author = {Haonan Peng and Shan Lin and Daniel King and Yun-Hsuan Su and Randall A. Bly and Kris S. Moe and Blake Hannaford},
journal= {arXiv preprint arXiv:2108.03534},
year = {2024}
}