YoloCurvSeg：仅标注一条含噪骨架的血管式曲线结构分割
计算机视觉与模式识别
2023-08-21 v5 图像与视频处理
摘要
弱监督学习（WSL）旨在通过采用稀疏粒度（即点、框、涂鸦级）监督来缓解数据标注成本与模型性能之间的矛盾，并在图像分割领域展现出良好性能。然而，由于监督有限，这仍是一项极具挑战的任务，尤其在仅有少量标注样本可用时。此外，几乎所有现有的 WSL 分割方法都是为星凸结构设计的，而星凸结构与血管、神经等曲线结构差异很大。本文提出一种针对曲线结构的新型稀疏标注分割框架，名为 YoloCurvSeg。YoloCurvSeg 的一个核心组件是图像合成。具体而言，背景生成器通过修复膨胀后的骨架来生成与真实分布高度匹配的图像背景。随后，提取出的背景与由基于空间殖民算法（Space Colonization Algorithm）的前景生成器随机模拟的曲线相结合，并通过多层块-wise 对比学习合成器进行合成。以此方式，仅以一条或少数几条含噪骨架标注为代价，获得带有图像与曲线分割标签的合成数据集。最后，使用生成的 dataset 以及可能的未标注数据集训练分割器。所提出的 YoloCurvSeg 在四个公开数据集（OCTA500、CORN、DRIVE 和 CHASEDB1）上进行了评估，结果表明 YoloCurvSeg 大幅优于最先进的 WSL 分割方法。仅使用一条含噪骨架标注（分别为全标注的 0.14%、0.03%、1.40% 和 0.65%），YoloCurvSeg 在各数据集上达到了全监督性能 97% 以上。代码与数据集将发布于 https://github.com/llmir/YoloCurvSeg。
引用
@article{arxiv.2212.05566,
title = {YoloCurvSeg: You Only Label One Noisy Skeleton for Vessel-style Curvilinear Structure Segmentation},
author = {Li Lin and Linkai Peng and Huaqing He and Pujin Cheng and Jiewei Wu and Kenneth K. Y. Wong and Xiaoying Tang},
journal= {arXiv preprint arXiv:2212.05566},
year = {2023}
}
备注
20 pages, 15 figures, MEDIA accepted