S$^2$ME：用于涂鸦监督息肉分割的空间-谱互教与集成学习
图像与视频处理
2023-06-02 v1 计算机视觉与模式识别
摘要
全监督息肉分割多年来在推进结直肠癌早期诊断方面取得了显著成就。然而，像涂鸦这样的弱监督标签高效解决方案很少被探索，但由于密集标注息肉数据的昂贵与稀缺，其在医疗实践中具有首要意义与需求。此外，包括数据偏移与损坏在内的各种部署问题对模型泛化与鲁棒性提出了进一步要求。为解决这些问题，我们设计了空间-谱双分支互教与熵引导伪标签集成学习(SME)框架。具体而言，在弱监督医学图像分割中，我们首次通过利用从空间与谱域提取特征的固有互补性，并通过协同优化鼓励跨空间一致性，来推进双分支协同教学框架。此外，为生成可靠的混合伪标签以增强集成学习有效性，我们引入了一种基于空间与谱分支熵引导的新型自适应逐像素融合技术。我们的策略有效减轻了伪标签中不确定性与噪声的有害影响，并在效能上超越先前方案。最终，我们制定了一个整体优化目标，以从涂鸦与伪标签的混合监督中学习。在四个公开数据集上的大量实验与评估证明了我们的方法在分布内精度、分布外泛化与鲁棒性方面的优越性，凸显了其有前景的临床意义。我们的代码见https://github.com/lofrienger/S2ME。
引用
@article{arxiv.2306.00451,
title = {S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for Scribble-supervised Polyp Segmentation},
author = {An Wang and Mengya Xu and Yang Zhang and Mobarakol Islam and Hongliang Ren},
journal= {arXiv preprint arXiv:2306.00451},
year = {2023}
}
备注
MICCAI 2023 Early Acceptance