基于涂鸦监督的三分支多膨胀网络与像素及类别一致性实现的三维多腹部器官分割
计算机视觉与模式识别
2023-09-19 v1
摘要
腹部计算机断层扫描（CT）图像中的多器官分割对于腹部病变诊断与后续治疗规划具有重要意义。尽管基于深度学习的方法已取得高性能，它们严重依赖大规模像素级标注，而此类标注获取耗时费力。由于其低标注依赖性，弱监督分割已引起广泛关注。然而，当前弱监督方法与全监督学习之间仍存在较大性能差距，留有探索空间。本工作中，我们提出了一种新颖的具有两种一致性约束的三维框架，用于基于涂鸦监督的 CT 多腹部器官分割。具体而言，我们采用具有一个编码器与三个使用不同膨胀率的解码器的三分支多膨胀网络（TDNet），以捕捉互补的不同感受野特征，从而生成高质量软伪标签。为更稳定的无监督学习，我们利用体素级不确定性修正软伪标签，并据此监督各解码器输出。为进一步正则化网络，通过鼓励生成的类别亲和矩阵在不同解码器下多视角投影中保持一致，利用了类别关系信息。在公开 WORD 数据集上的实验表明，我们的方法优于五种现有涂鸦监督方法。
引用
@article{arxiv.2309.09730,
title = {Scribble-based 3D Multiple Abdominal Organ Segmentation via Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency},
author = {Meng Han and Xiangde Luo and Wenjun Liao and Shichuan Zhang and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2309.09730},
year = {2023}
}
备注
10 pages, 3 figures, MICCAI2023