使用多尺度对比正则化的涂鸦监督细胞分割
计算机视觉与模式识别
2023-06-27 v1
摘要
当前最先进的监督式基于深度学习的分割方法在医学图像分割任务中展现出优越性能。然而，此类监督方法需要完全标注的像素级真值标签，获取过程费力且耗时。近来，Scribble2Label（S2L）证明仅使用少量涂鸦结合自监督学习即可在无全标注情况下生成准确分割结果。但由于涂鸦尺寸相对较小，模型易过拟合，且结果可能偏向涂鸦的选择。本工作中，我们通过为 S2L 采用一种新颖的多尺度对比正则化项来解决该问题。其主要思想是从神经网络的中间层提取特征用于对比损失，从而有效分离不同尺度的结构。为验证方法有效性，我们在知名数据集（如 Data Science Bowl 2018 与 MoNuSeg）上进行了消融研究。结果表明，所提多尺度对比损失能有效提升 S2L 性能，可与监督学习分割方法相媲美。
引用
@article{arxiv.2306.14136,
title = {Scribble-supervised Cell Segmentation Using Multiscale Contrastive Regularization},
author = {Hyun-Jic Oh and Kanggeun Lee and Won-Ki Jeong},
journal= {arXiv preprint arXiv:2306.14136},
year = {2023}
}
备注
ISBI 2022 accepted