基于含噪标签自步学习与提示性标注的X射线血管造影弱监督血管分割
计算机视觉与模式识别
2020-08-19 v1
摘要
利用卷积神经网络(CNNs)在X射线血管造影中分割冠状动脉前景广阔,但受限于需要对大量训练图像中所有像素进行精确标注,这对于复杂的冠状动脉树而言极其耗费人力。为减轻标注者负担,我们提出了一种新颖的弱监督训练框架,该框架从自动血管增强生成的含噪伪标签中学习,而非从全手动标注获得的精确标签中学习。典型的自步学习(self-paced learning)方案被用于使训练过程对标签噪声具有鲁棒性,但由于伪标签中存在系统性偏差,导致CNNs在测试时性能下降。为解决此问题,我们提出了一种标注精炼的自步学习框架(AR-SPL),利用提示性标注(suggestive annotation)纠正潜在错误。我们还提出了一种精细的模型-血管性不确定性估计方法,基于训练中的CNNs以及直接从原始数据导出的冠状动脉几何特征,使提示性标注所需的标注成本最小。实验表明,我们提出的框架实现了:1)与全监督学习相当的精度,且显著优于其他弱监督学习框架;2)大幅降低标注成本,即节省75.18%的标注时间,且仅需标注3.46%的图像区域;3)高效的干预过程,以更少的手动交互获得更优性能。
引用
@article{arxiv.2005.13366,
title = {Weakly Supervised Vessel Segmentation in X-ray Angiograms by Self-Paced Learning from Noisy Labels with Suggestive Annotation},
author = {Jingyang Zhang and Guotai Wang and Hongzhi Xie and Shuyang Zhang and Ning Huang and Shaoting Zhang and Lixu Gu},
journal= {arXiv preprint arXiv:2005.13366},
year = {2020}
}