使用部分标注图像训练 CNN 分类器进行语义分割：在人体大腿与小腿 MRI 上的应用
图像与视频处理
2020-08-18 v1 计算机视觉与模式识别
机器学习
摘要
目的：具有像素级标签的医学图像数据集往往只标注了有限数量的器官或组织标签类别，即便图像具有广泛的解剖覆盖。在监督学习下，针对这些部分标注的数据集通常需要多个分类器。本工作中，我们提出一组策略，用于在不上溯至半监督学习的情况下，训练单一分类器来分割跨多个数据集异质标注的所有标签类别。方法：首先通过我们称为存在掩码（presence masking）的过程从每张标签图像创建掩码。评估了三种存在掩码模式，主要区别在于赋予标注类与未标注类的权重不同。这些掩码随后在训练时应用于损失函数以去除未标注类的影响。结果：针对公开可用 CT 数据集的评估表明，存在掩码是训练类通用分类器的可行方法。我们的类通用分类器可表现得与多个类特定分类器组合相当，而训练时长类似于训练一个类特定分类器所需。此外，当在较小数据集上训练时，类通用分类器可优于类特定分类器。最后，针对内部采集的人体大腿与小腿 MRI 数据集的评估观察到一致结果。结论：评估结果表明，存在掩码能够显著提升跨成像模态与解剖区域的训练与推理效率。在小型数据集上甚至可能观察到性能提升。意义：存在掩码策略可降低人工医学图像标注所涉及的计算资源与成本。所有代码公开于 https://github.com/wong-ck/DeepSegment。
引用
@article{arxiv.2008.07030,
title = {Training CNN Classifiers for Semantic Segmentation using Partially Annotated Images: with Application on Human Thigh and Calf MRI},
author = {Chun Kit Wong and Stephanie Marchesseau and Maria Kalimeri and Tiang Siew Yap and Serena S. H. Teo and Lingaraj Krishna and Alfredo Franco-Obregón and Stacey K. H. Tay and Chin Meng Khoo and Philip T. H. Lee and Melvin K. S. Leow and John J. Totman and Mary C. Stephenson},
journal= {arXiv preprint arXiv:2008.07030},
year = {2020}
}
备注
Submitted to IEEE Transactions on Medical Imaging (Special Issue on Annotation-Efficient Deep Learning for Medical Imaging)