语义可迁移的弱监督内窥镜病灶分割

在图像级标签监督下的弱监督学习已广泛应用于医学病灶区域的语义分割。然而，1）大多数现有模型依赖有效约束来挖掘病灶的内部表征，仅能产生不准确且粗糙的病灶区域；2）它们忽略了目标病灶数据集（如肠镜图像）与标注良好的源疾病数据集（如胃镜图像）之间强的概率依赖关系。为了更好地利用这些依赖关系，我们提出了一种新的语义病灶表征迁移模型用于弱监督内窥镜病灶分割，该模型能够利用相关全标注疾病分割任务中的有用知识来提升目标弱标注病灶分割任务的性能。更具体地，提出了一个伪标签生成器，通过结合类平衡与超像素空间先验，利用种子信息生成高置信度的伪像素标签。它可以迭代地将更多难以迁移的弱标注目标数据集样本纳入训练集。之后，通过累积先前学习的特征，对不同数据集中同类别的动态搜索特征质心进行对齐。同时，本文还采用对抗学习，以缩小不同数据集间病灶在输出空间上的差距。最后，我们构建了一个新的医学内窥镜数据集，包含从 1100 多名志愿者收集的 3659 张图像。在我们收集的数据集及多个基准数据集上的大量实验验证了模型的有效性。