基于极值点的弱监督分割
计算机视觉与模式识别
2020-01-08 v1
摘要
医学图像标注一直是开发准确且鲁棒机器学习模型的主要瓶颈。标注成本高昂且耗时，通常还需要专家知识，尤其在医学领域。在此，我们提出以各维度极值点点击的形式进行最小用户交互，以训练一个分割模型，该模型进而可用于加速医学图像标注。我们在 3D 医学图像的每一维度中使用极值点来约束基于随机游走算法的初始分割。该分割随后被用作弱监督信号，以训练一个全卷积网络，使其能基于所提供的用户点击分割感兴趣器官。我们展示了网络的预测可通过使用相同弱标注数据进行多次训练与预测迭代而得以精炼。最终，我们的方法有望加速新训练数据集的生成过程，以开发新的机器学习和基于深度学习的模型，尤其（但非排他地）用于医学图像分析。
引用
@article{arxiv.1910.01236,
title = {Weakly supervised segmentation from extreme points},
author = {Holger Roth and Ling Zhang and Dong Yang and Fausto Milletari and Ziyue Xu and Xiaosong Wang and Daguang Xu},
journal= {arXiv preprint arXiv:1910.01236},
year = {2020}
}
备注
Accepted at the MICCAI Workshop for Large-scale Annotation of Biomedical data and Expert Label Synthesis, Shenzen, China, 2019