用于胸部 X 光图像疾病定位的弱监督分割
计算机视觉与模式识别
2020-07-03 v1
摘要
深度卷积神经网络已被证明能有效解决语义分割任务。然而，其效率严重依赖于像素级标注，此类标注获取成本高昂且常需领域专业知识，尤其在医学影像中。弱监督语义分割有助于克服这些问题，并提供可解释的深度学习模型。本文提出一种仅以图像级类别标签作为监督的医学胸部 X 光图像语义分割新方法。我们通过将三种方法作为连续步骤结合，提升了疾病定位精度。首先，通过带正则化过程的有监督分类模型生成训练图像中异常区域的伪分割标签。随后将获得的激活图后处理并传播至第二个分类模型——像素间关系网络，以改善不同对象类别间的边界。最后，所得伪标签用于训练所提出的全监督分割模型。我们分析了所提方法的鲁棒性，并在两个不同数据集 PASCAL VOC 2012 与 SIIM-ACR Pneumothorax 上测试其性能。仅使用图像级标注，我们便在两个数据集的分割上取得显著结果。我们表明该方法适用于胸部 X 光中检测肺与胸壁之间胸膜腔内异常气体体积。我们的代码已公开可用。
引用
@article{arxiv.2007.00748,
title = {Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images},
author = {Ostap Viniavskyi and Mariia Dobko and Oles Dobosevych},
journal= {arXiv preprint arXiv:2007.00748},
year = {2020}
}
备注
Accepted to AIME 2020