基于区域水平集损失的弱监督通用病灶分割
图像与视频处理
2021-05-05 v1 计算机视觉与模式识别
摘要
从全身计算机断层扫描（CT）中准确分割多种临床显著病灶是精准肿瘤影像中的关键任务，称为通用病灶分割（ULS）。人工标注是当前临床实践，在肿瘤纵向评估上极为耗时且不一致。有效训练自动分割模型十分必要，但严重依赖大量像素级标注数据。现有弱监督分割方法常在病灶边界附近区域表现不佳。本文提出一种新颖的弱监督通用病灶分割方法，通过构建基于高分辨率网络（HRNet）的注意力增强模型（称为AHRNet），并提出区域水平集（RLS）损失以优化病灶边界勾画。AHRNet通过引入解码器、双重注意力与尺度注意力机制提供先进的高分辨率深度图像特征，这对准确病灶分割至关重要。RLS能以弱监督方式可靠有效地优化模型，迫使分割贴近病灶边界。大量实验结果表明，我们的方法在公开大规模DeepLesion数据集和留出测试集上取得了最佳性能。
引用
@article{arxiv.2105.01218,
title = {Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss},
author = {Youbao Tang and Jinzheng Cai and Ke Yan and Lingyun Huang and Guotong Xie and Jing Xiao and Jingjing Lu and Gigin Lin and Le Lu},
journal= {arXiv preprint arXiv:2105.01218},
year = {2021}
}