Scribble2D5：基于涂鸦标注的弱监督体图像分割
计算机视觉与模式识别
2022-07-04 v2
摘要
近年来，使用涂鸦等弱标注的弱监督图像分割受到了广泛关注，因为这类标注比在像素/体素级别进行耗时且标注密集的标记容易得多。然而，由于涂鸦缺乏感兴趣区域（ROI）的结构信息，现有基于涂鸦的方法存在边界定位差的问题。此外，当前大多数方法针对 2D 图像分割设计，若直接应用于图像切片则未能充分利用体数据信息。本文提出一种基于涂鸦的体图像分割方法 Scribble2D5，其解决了 3D 各向异性图像分割问题并改进了边界预测。为此，我们在 2.5D 注意力 UNet 上增加所提出的标签传播模块以扩展涂鸦的语义信息，并结合静态与主动边界预测来学习 ROI 的边界并正则化其形状。在三个公开数据集上的大量实验表明，Scribble2D5 显著优于当前基于涂鸦的方法，并接近全监督方法的性能。我们的代码已在线公开。
引用
@article{arxiv.2205.06779,
title = {Scribble2D5: Weakly-Supervised Volumetric Image Segmentation via Scribble Annotations},
author = {Qiuhui Chen and Yi Hong},
journal= {arXiv preprint arXiv:2205.06779},
year = {2022}
}
备注
Accepted by MICCAI 2022