USL-Net：面向无监督皮肤病变分割的不确定性自学习网络
计算机视觉与模式识别
2024-07-23 v3 人工智能
摘要
无监督皮肤病变分割具有诸多优势，包括节省专家人力资源、减少主观人工标注导致的差异以及适应新环境。然而，由于缺乏人工标注引导，由于皮肤镜图像中存在毛发噪声、水疱噪声和细微边缘差异等伪影，对皮肤镜图像进行分割面临重大挑战。为应对这些挑战，我们提出了一种专为皮肤病变分割设计的创新性不确定性自学习网络（USL-Net）。USL-Net 能够有效分割多种病变，无需人工标注引导。首先，利用对比学习提取特征，随后基于这些特征生成类激活图（CAMs）作为显著性图。不同的 CAM 位置根据其显著性对应病变区域的重要性。图中高显著性区域作为病变区域的伪标签，而低显著性区域代表背景。然而，中间区域往往难以分类，通常由于其靠近病变边缘或受到毛发和水疱的干扰。我们并未通过强制分类这些区域来冒潜在的伪标签错误或学习混淆风险，而是将其视为不确定性区域，免除其伪标注并允许网络自学习。此外，我们采用连通性检测和中心性检测来精炼前景伪标签并减少噪声引起的错误。循环精炼的应用进一步提升了性能。我们的方法在 ISIC-2017、ISIC-2018 和 PH2 数据集上进行了充分的实验验证，表明其性能与弱监督和有监督方法相当，并超越了其他现有的无监督方法。
引用
@article{arxiv.2309.13289,
title = {USL-Net: Uncertainty Self-Learning Network for Unsupervised Skin Lesion Segmentation},
author = {Xiaofan Li and Bo Peng and Jie Hu and Changyou Ma and Daipeng Yang and Zhuyang Xie},
journal= {arXiv preprint arXiv:2309.13289},
year = {2024}
}
备注
14 pages, 9 figures, 71 references