基于自学习形状去噪模型的弱监督体素分割
计算机视觉与模式识别
2021-05-07 v2
摘要
由于像素级标注成本高，弱监督分割是医学图像分析中的重要问题。先前的方法虽常关注 2D 图像的弱标签，却很少利用体素医学图像的结构线索。为此，我们提出一种新颖的弱监督分割策略，能够在模型预测与学习中更好地捕捉 3D 形状先验。我们的核心思想是利用弱标签提取自学习形状表示，并将该表示整合到分割预测中以进行形状细化。为此，我们设计了一个由分割模块和形状去噪模块组成的深度网络，通过迭代学习策略进行训练。此外，我们引入了带有混合标签设计的体素图像弱标注方案，在不增加总体标注成本的情况下改进模型学习。实证实验表明，我们的方法在三个具有显著形状差异的器官分割基准上优于现有 SOTA 策略。值得注意的是，即便仅使用 10% 的标注切片，我们也能取得强劲性能，显著优于其他方法。
引用
@article{arxiv.2104.13082,
title = {Weakly Supervised Volumetric Segmentation via Self-taught Shape Denoising Model},
author = {Qian He and Shuailin Li and Xuming He},
journal= {arXiv preprint arXiv:2104.13082},
year = {2021}
}
备注
To appear in MIDL 2021