滑动窗口 FastEdit：一种全身 PET 图像病灶标注框架
图像与视频处理
2023-11-27 v1 人工智能
计算机视觉与模式识别
人机交互
摘要
深度学习已经彻底改变了医学影像中疾病的精准分割。然而，要取得这样的结果，需要使用大量人工体素标注进行训练。这一要求对全身正电子发射断层扫描（PET）成像构成了挑战，因为病灶散布于全身。为应对该问题，我们引入了 SW-FastEdit——一种交互式分割框架，仅利用少量用户点击而非体素级标注来加速标注。先前的交互式模型因内存限制对 PET 体积进行裁剪或缩放，而我们使用完整的体积并采用基于滑动窗口的交互方案。我们的模型在 AutoPET 数据集上优于现有的非滑动窗口交互式模型，并可泛化至此前未见的 HECKTOR 数据集。一项用户研究表明，标注者仅需 10 次点击迭代即可获得高质量预测，且感知 NASA-TLX 工作负荷较低。我们的框架使用 MONAI Label 实现，并可获取：https://github.com/matt3o/AutoPET2-Submission/
引用
@article{arxiv.2311.14482,
title = {Sliding Window FastEdit: A Framework for Lesion Annotation in Whole-body PET Images},
author = {Matthias Hadlich and Zdravko Marinov and Moon Kim and Enrico Nasca and Jens Kleesiek and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2311.14482},
year = {2023}
}
备注
5 pages, 2 figures, 4 tables