用于脑肿瘤分割问题的弱监督微调方法
图像与视频处理
2019-11-07 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
脑 MRI 图像中肿瘤的分割是一项具有挑战性的任务，近期大多数方法需要大量带像素级标注的数据，而这类数据通常获取成本高昂。相比之下，图像级标注仅标记病灶存在与否，通常成本低廉、生成量远大于像素级标签，且标注噪声更少。在脑肿瘤分割背景下，像素级与图像级标注均普遍可得；因此，一个自然的问题是分割流程能否同时利用二者。在本工作中我们：1）提出一种基于学习的框架，允许在 MRI 图像中同时使用像素级与图像级标注来学习脑肿瘤分割模型；2）研究像素级与图像级标注相对数量对脑肿瘤分割质量的影响；3）将我们的方法与传统的全监督方法比较，并表明我们的方法在分割质量方面具有竞争力。
引用
@article{arxiv.1911.01738,
title = {Weakly Supervised Fine Tuning Approach for Brain Tumor Segmentation Problem},
author = {Sergey Pavlov and Alexey Artemov and Maksim Sharaev and Alexander Bernstein and Evgeny Burnaev},
journal= {arXiv preprint arXiv:1911.01738},
year = {2019}
}
备注
Accepted to IEEE International Conference on Machine Learning and Applications (ICMLA 2019). Typos corrected, images updated