分割风格发现：应用于皮肤皮损图像
计算机视觉与模式识别
2024-08-07 v1
摘要
医学图像分割的可变性，源于注释员的偏好、专业水平以及他们选择的工具，已 well 文档化。虽然大多数多注释员分割方法专注于建模注释员特定的偏好，但需要注释员-分割对应关系。在本工作中，我们提出了分割风格发现的问题，提出了StyleSeg，这是一种从图像-掩码对语料库中学习合理的、多样的、在语义上一致的分割风格的方法，而无需任何注释员对应关系。StyleSeg 在四个公开可用的皮肤皮损分割(SLS)数据集上 consistently 优于对手方法。我们还策划了 ISIC-MultiAnnot，这是最大的多注释员SLS数据集，具有注释员对应关系；我们的结果显示，使用我们新提出的度量 AS2，预测的风格与注释员偏好之间存在强烈对齐。代码和数据集可在 https://github.com/sfu-mial/StyleSeg 获取。
引用
@article{arxiv.2408.02787,
title = {Segmentation Style Discovery: Application to Skin Lesion Images},
author = {Kumar Abhishek and Jeremy Kawahara and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:2408.02787},
year = {2024}
}
备注
Medical Image Computing and Computer-Assisted Intervention (MICCAI) ISIC Skin Image Analysis Workshop (MICCAI ISIC) 2024; 13 pages, 2 tables, 3 figures