用于医学语义分割的参考引导伪标签生成
图像与视频处理
2022-10-10 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
生成密集标注数据在医学影像应用中是一项困难且繁琐的任务。为解决该问题，我们提出一种生成半监督语义分割监督信号的新方法。我们认为，标注图像与未标注图像间视觉相似的区域很可能包含相同语义，因此应共享其标签。遵循这一思路，我们使用少量标注图像作为参考材料，并将未标注图像中的像素匹配到参考集中最契合像素的语义。以此方式，我们避免了纯基于预测的伪标签方法中常见的确认偏差等陷阱。由于我们的方法无需任何架构改动或辅助网络，可轻松嵌入现有框架。在 X 射线解剖结构分割上，我们仅用 95% 更少的标注图像即达到了标准全监督模型的同等性能。除对提出方法的多个方面进行深入分析外，我们进一步将参考引导学习范式与现有视网膜积液分割方法比较以证明有效性，其性能具竞争力，较近期工作平均交并比（mean IoU）最高提升 15%。
引用
@article{arxiv.2112.00735,
title = {Reference-guided Pseudo-Label Generation for Medical Semantic Segmentation},
author = {Constantin Seibold and Simon Reiß and Jens Kleesiek and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2112.00735},
year = {2022}
}
备注
36th AAAI Conference on Artificial Intelligence 2022