视频支气管镜中气道开口的弱监督分割
计算机视觉与模式识别
2023-07-18 v1 机器学习
摘要
视频支气管镜常规用于疑似肺癌肺组织活检、COPD患者监测以及重症监护单元急性呼吸问题的澄清。在复杂支气管树中的导航尤其具有挑战性且耗费体力，需要医师的长期经验。本文研究支气管镜视频中支气管开口的自动分割。基于深度学习的方法因缺乏现成的真值分割数据而受到制约。因此，我们提出一种数据驱动流程，由k-means后接紧凑的基于标记的分水岭算法组成，可从给定深度图像生成气道实例分割图。以此方式，这些传统算法作为弱监督，仅基于仿真数据集直接在RGB图像上训练一个浅层CNN。我们在涵盖21次不同支气管镜的250帧的两个体内数据集上评估了该模型的泛化能力。我们证明，其性能可与直接在体内数据上训练的模型相媲美，在128x128图像分辨率下，检测到的气道分割中心平均误差为11对比5像素。我们的定量与定性结果表明，在视频支气管镜背景下，仿真数据及基于非学习方法的弱监督能够实现对气道结构的语义理解。
引用
@article{arxiv.2208.11468,
title = {Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy},
author = {Ron Keuth and Mattias Heinrich and Martin Eichenlaub and Marian Himstedt},
journal= {arXiv preprint arXiv:2208.11468},
year = {2023}
}
备注
5 Pages, 2 figures, only supplemental file, submitted to SPIE MI