用于极弱监督医学图像分割的自定步调样本选择
计算机视觉与模式识别
2024-07-09 v1
摘要
现有的极弱监督医学图像分割（BSS）方法采用配准-分割范式，旨在从标注极少的数据中学习，以缓解极端的标签稀缺问题。然而，这种范式带来了一个挑战：由图像配准生成的伪标签带有显著噪声。为了解决这个问题，我们为 BSS 提出了一种自定步调样本选择框架（SPSS）。具体来说，SPSS 包含两个主要组件：1）自定步调不确定性样本选择（SU），用于在图像空间中显式提高伪标签的质量；2）自定步调双向特征对比学习（SC），用于通过在特征空间中增强类别语义之间的可分离性，隐式提高伪标签的质量。SU 和 SC 均以自定步调学习的方式协同训练，确保 SPSS 能够从高质量的伪标签中学习以用于 BSS。在两个公开医学图像分割数据集上的大量实验证明了 SPSS 相对于最先进方法的有效性和优越性。我们的代码发布在 https://github.com/SuuuJM/SPSS。
引用
@article{arxiv.2407.05248,
title = {Self-Paced Sample Selection for Barely-Supervised Medical Image Segmentation},
author = {Junming Su and Zhiqiang Shen and Peng Cao and Jinzhu Yang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2407.05248},
year = {2024}
}
备注
Accepted to MICCAI 2024