通过弱监督学习实现无偏的 COVID-19 病灶定位与分割
图像与视频处理
2021-03-02 v1 计算机视觉与模式识别
摘要
尽管付出了巨大努力，生成鲁棒模型以辅助在胸部 CT 图像上准确量化评估 COVID-19 仍极具挑战。由于边界模糊的特性，有监督分割方法通常受标注偏差困扰。为支持无偏病灶定位并最小化标注成本，我们提出一种仅由图像级标签监督的数据驱动框架。该框架借助生成对抗网络与病灶专用解码器，可从原始图像中显式分离潜在病灶。在两个 COVID-19 数据集上的实验证明了所提框架的有效性及其优于若干现有方法的性能。
引用
@article{arxiv.2103.00780,
title = {Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning},
author = {Yang Yang and Jiancong Chen and Ruixuan Wang and Ting Ma and Lingwei Wang and Jie Chen and Wei-Shi Zheng and Tong Zhang},
journal= {arXiv preprint arXiv:2103.00780},
year = {2021}
}
备注
accepted by ISBI 2021