基于涂鸦标注与形状先验的体医学图像分割
计算机视觉与模式识别
2023-10-13 v1
摘要
近来，利用涂鸦等弱标注的弱监督图像分割在计算机视觉与医学图像分析中备受关注，因为相较于耗时费力的像素/体素级标注，此类标注更易获取。然而，由于对感兴趣区域（ROIs）缺乏结构监督，现有基于涂鸦的方法边界定位不佳。此外，多数当前方法为二维图像分割设计，若直接应用于各图像切片则未充分利用体数据信息。本文提出一种基于涂鸦的体图像分割方法 Scribble2D5，其处理三维各向异性图像分割并旨在改善边界预测。为此，我们在 2.5D 注意力 UNet 上增广所提出的标签传播模块以扩展涂鸦的语义信息，并采用静态与主动边界预测组合来学习 ROI 边界并正则化其形状。我们还提出一个可选附加组件，将来自非配对分割掩码的形状先验信息融入以进一步提升模型精度。在三个公开数据集与一个私有数据集上的大量实验表明，在可用涂鸦与形状先验时，我们的 Scribble2D5 在体图像分割上取得了最先进（state-of-the-art）性能。
引用
@article{arxiv.2310.08084,
title = {Volumetric Medical Image Segmentation via Scribble Annotations and Shape Priors},
author = {Qiuhui Chen and Haiying Lyu and Xinyue Hu and Yong Lu and Yi Hong},
journal= {arXiv preprint arXiv:2310.08084},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2205.06779