ShapePU：一种由全局一致性正则化的 PU 学习新框架用于涂鸦监督心脏分割
计算机视觉与模式识别
2022-06-07 v1
摘要
心脏分割是心血管疾病诊断的关键步骤。然而，像素级稠密标注既昂贵又耗时。涂鸦作为一种稀疏标注形式，比全标注更易获取。但是，利用涂鸦的弱监督来训练分割网络尤其具有挑战性。为解决这个问题，我们提出一种基于正-未标注（Positive-Unlabeled, PU）学习框架与全局一致性正则化的涂鸦引导心脏分割新方法，称为 ShapePU。为通过 PU 学习利用未标注像素，我们首先提出一种期望最大化（Expectation-Maximization, EM）算法来估计未标注像素中每一类的比例。给定估计出的比例后，我们引入边缘概率最大化来识别未标注像素的类别。为利用形状知识，我们对训练图像施加 cutout 操作，并对不一致的分割结果进行惩罚。在两个开放数据集（即 ACDC 和 MSCMRseg）上的评估表明，我们的涂鸦监督 ShapePU 在平均 Dice 上分别超越全监督方法 1.4% 和 9.8%，并以大幅优势优于最先进的弱监督与 PU 学习方法。我们的代码见 https://github.com/BWGZK/ShapePU。
引用
@article{arxiv.2206.02118,
title = {ShapePU: A New PU Learning Framework Regularized by Global Consistency for Scribble Supervised Cardiac Segmentation},
author = {Ke Zhang and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2206.02118},
year = {2022}
}
备注
11 pages,4 figures