基于超像素的自监督：无需标注训练少样本医学图像分割
计算机视觉与模式识别
2020-10-08 v2
摘要
少样本语义分割（FSS）在医学影像应用中具有巨大潜力。现有大多数 FSS 技术需要大量带标注的语义类别用于训练。然而，由于标注的缺乏，这些方法可能不适用于医学图像。为解决该问题，我们做出了若干贡献：（1）一种面向医学图像的新颖自监督 FSS 框架，以消除训练期间对标注的需求；此外，生成基于超像素的伪标签以提供监督；（2）一个插入原型网络的自适应局部原型池化模块，以解决医学图像分割中常见的具有挑战性的前景-背景不平衡问题；（3）我们利用三项不同任务证明了所提方法对医学图像的普遍适用性：CT 与 MRI 的腹部器官分割，以及 MRI 的心脏分割。我们的结果表明，对于医学图像分割，所提方法优于需要手动标注进行训练的常规 FSS 方法。
引用
@article{arxiv.2007.09886,
title = {Self-Supervision with Superpixels: Training Few-shot Medical Image Segmentation without Annotation},
author = {Cheng Ouyang and Carlo Biffi and Chen Chen and Turkay Kart and Huaqi Qiu and Daniel Rueckert},
journal= {arXiv preprint arXiv:2007.09886},
year = {2020}
}
备注
ECCV2020