UnSegMedGAT: 基于图注意力网络聚类的无监督医学图像分割
计算机视觉与模式识别
2024-11-05 v1 机器学习
摘要
监督分类的数据密集型特性驱动研究者对无监督方法的兴趣，特别是在医学图像分割等标注数据稀缺的问题上。基于计算机视觉中视觉Transformer(ViT)的最新进展，我们提出了一个使用预训练Dino-ViT的无监督分割框架。在所提出的方法中，我们利用图像内在的图结构来实现医学图像分割的显著性能提升。为此，我们引入了一种基于模体的损失函数，并结合图注意力网络(GAT)来有效捕捉图像内在的图拓扑。我们的方法达到了最先进的性能，甚至显著超越或匹配了现有的(半)监督技术如MedSAM，即面向医学图像的Segment Anything Model。我们使用两个具有挑战性的医学图像数据集ISIC-2018和CVC-ColonDB进行了验证。这项工作强调了无监督方法在标注数据稀缺的情况下推进医学图像分析的潜力。代码仓库位于https://github.com/mudit-adityaja/UnSegMedGAT。
引用
@article{arxiv.2411.01966,
title = {UnSegMedGAT: Unsupervised Medical Image Segmentation using Graph Attention Networks Clustering},
author = {A. Mudit Adityaja and Saurabh J. Shigwan and Nitin Kumar},
journal= {arXiv preprint arXiv:2411.01966},
year = {2024}
}