基于涂鸦的分层弱监督学习用于脑肿瘤分割
图像与视频处理
2019-11-07 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
近期最先进的深度学习方法已显著改善了脑肿瘤分割。然而，全监督训练需要大量人工标注的掩膜，这极为耗时且需要领域专业知识。基于涂鸦的弱监督学习在模型精度与人工标注工作量之间提供了良好的折衷。但是，对于分层脑肿瘤结构的分割，为每个子结构手动标注涂鸦仍颇为费力。本文中，我们仅使用两类弱标签，即整个肿瘤与健康脑组织的涂鸦，以及各子结构是否存在的全局标签，来训练深度学习模型分割所有子区域。具体而言，我们分两阶段训练两个网络：首先，仅使用整个肿瘤涂鸦训练整个肿瘤(WT)分割网络，其大致恢复训练数据的WT掩膜；随后在全局标签引导下对WT区域进行聚类。聚类得到的粗略子结构分割作为弱标签用于训练第二个网络。采用密集CRF损失来精炼弱监督分割。我们在BraTS2017数据集上评估了该方法，相较于使用全标注掩膜训练的上界，取得了有竞争力的WT dice分数以及可比较的子结构分割分数。
引用
@article{arxiv.1911.02014,
title = {Scribble-based Hierarchical Weakly Supervised Learning for Brain Tumor Segmentation},
author = {Zhanghexuan Ji and Yan Shen and Chunwei Ma and Mingchen Gao},
journal= {arXiv preprint arXiv:1911.02014},
year = {2019}
}
备注
22nd International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2019) Accept