基于合成数据的自监督与半监督息肉分割
计算机视觉与模式识别
2023-07-25 v1
摘要
结直肠息肉的早期检测对其治疗和结直肠癌预防至关重要。计算机视觉技术有潜力在诊断阶段辅助专业人员，其中结肠镜手动实施以检查患者整个结肠。医学影像的主要挑战是数据缺乏，而息肉分割方法特有的进一步挑战是可用数据手动标注的困难：分割任务的标注过程非常耗时。尽管大多数近期方法通过复杂技术更好地利用可用标注数据来应对数据可用性挑战，但极少探索自监督或半监督范式，其所需标注量大幅减少。为应对这两大挑战，我们利用合成数据并提出一种端到端息肉分割模型，该模型整合真实与合成数据以人为增大数据集规模，并在有无标注样本时辅助训练。具体而言，我们的模型 Pl-CUT-Seg 通过图像到图像翻译模块变换合成图像，并将所得图像与真实图像结合训练分割模型，其中我们使用模型预测作为伪标签以更好地利用无标注样本。此外，我们提出 PL-CUT-Seg+，该模型的改进版本融入针对性正则化以解决真实与合成图像间的域间隙。模型在标准息肉分割基准上评估，并在自监督和半监督设定下达到 SOTA 结果。
引用
@article{arxiv.2307.12033,
title = {Self-Supervised and Semi-Supervised Polyp Segmentation using Synthetic Data},
author = {Enric Moreu and Eric Arazo and Kevin McGuinness and Noel E. O'Connor},
journal= {arXiv preprint arXiv:2307.12033},
year = {2023}
}