SUPRA：超像素引导损失用于改进内窥镜多模态分割
计算机视觉与模式识别
2023-04-11 v3 机器学习
定量方法
摘要
领域偏移是医学影像界一个众所周知的问题。特别是对于内窥镜图像分析，数据可能具有不同模态，深度学习（DL）方法的性能会受到不利影响。换言之，在一种模态上开发的方法无法用于另一种模态。然而，在真实临床环境中，内镜医师会为获得更好的黏膜可视化而在模态间切换。本文探索了领域泛化技术，以使 DL 方法能够在此类场景中使用。为此，我们提出使用简单线性迭代聚类（SLIC）生成的超像素，并将其称为“SUPRA”（超像素增强方法）。SUPRA 首先利用我们提出的新损失函数“SLICLoss”生成初步分割掩膜，该损失函数鼓励准确且颜色一致的分割。我们证明，当 SLICLoss 与二元交叉熵损失（BCE）结合时，可以提高模型在呈现显著领域偏移数据上的泛化能力。我们使用 EndoUDA 数据集在 vanilla U-Net 上验证了这一新型复合损失，该数据集包含来自两种模态的巴雷特食管和息肉图像。我们表明，与基线相比，我们的方法在目标域集上实现了近 20% 的性能提升。
引用
@article{arxiv.2211.04658,
title = {SUPRA: Superpixel Guided Loss for Improved Multi-modal Segmentation in Endoscopy},
author = {Rafael Martinez-Garcia-Peña and Mansoor Ali Teevno and Gilberto Ochoa-Ruiz and Sharib Ali},
journal= {arXiv preprint arXiv:2211.04658},
year = {2023}
}
备注
This work has been accepted at the LatinX in Computer Vision Research Workshop at CVPR 2023