UM-CAM：用于弱监督胎儿脑部分割的不确定性加权多分辨率类激活映射
计算机视觉与模式识别
2023-12-29 v1
摘要
从磁共振图像 (MRI) 中准确分割胎儿脑部对于产前评估胎儿发育非常重要。尽管深度学习已展现出实现这一任务的潜力，但它需要大量难以收集的精细标注数据集。为了解决这个问题，带有图像级标签的弱监督分割方法引起了关注，这些方法通常基于用图像标签训练的分类网络的类激活映射。然而，由于缺乏详细边界线索的低分辨率定位，这些方法中的大多数都存在激活区域不完整的问题。为此，我们提出了一种基于语义特征和上下文信息探索的带有图像级标签的新型弱监督方法。我们首先提出了一种不确定性加权多分辨率类激活映射 (UM-CAM) 来生成高质量的像素级监督。然后，我们设计了一种基于测地距离的种子扩展 (GSE) 方法，以提供上下文信息来纠正 UM-CAM 的模糊边界。在胎儿脑部数据集上的大量实验表明，与现有的 CAM 变体相比，我们的 UM-CAM 可以提供更准确的激活区域且假阳性区域更少，并且我们提出的方法优于带有图像级标签的最先进弱监督方法。
引用
@article{arxiv.2306.11490,
title = {UM-CAM: Uncertainty-weighted Multi-resolution Class Activation Maps for Weakly-supervised Fetal Brain Segmentation},
author = {Jia Fu and Tao Lu and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2306.11490},
year = {2023}
}