短轴心脏MRI分割的稀疏标注策略
图像与视频处理
2023-07-25 v1 计算机视觉与模式识别
摘要
短轴心脏MRI分割是一个研究较为充分的课题，最先进的模型在监督设定下已取得优异结果。然而，标注MRI体数据是耗时且昂贵的。许多不同方法（如迁移学习、数据增强、少样本学习等）应运而生，力求使用更少标注数据并仍达到与全监督模型相近的性能。然而，据我们所知，这些工作均未关注MRI体数据的哪些切片标注对于获得最佳分割结果最为重要。本文中，我们研究了使用稀疏体数据（即减少标注的病例数）与稀疏标注（即减少每例标注的切片数）训练的影响。我们使用最先进的nnU-Net模型在两个公开数据集上评估分割性能，以识别哪些切片标注最为重要。我们表明，在显著减少的数据集（48个标注体数据）上训练可获得大于0.85的Dice分数，且与使用完整数据集（两数据集分别为160和240个体数据）结果相当。总体而言，训练于更多切片标注相比训练于更多体数据提供更宝贵的信息。此外，标注体躯中部的切片在分割性能上收益最大，而心尖区域收益最差。在评估标注体数据与标注切片的权衡时，尽可能标注更多切片而非标注更多体数据是更优策略。
引用
@article{arxiv.2307.12619,
title = {Sparse annotation strategies for segmentation of short axis cardiac MRI},
author = {Josh Stein and Maxime Di Folco and Julia Schnabel},
journal= {arXiv preprint arXiv:2307.12619},
year = {2023}
}