Weakly Supervised Volumetric Image Segmentation with Deformed Templates

要約

2D画像をセグメント化するためのネットワークの弱く監視されたトレーニングへの多くのアプローチがあります。
対照的に、ボリューム画像をセグメント化するための既存のアプローチは、3Dボリュームの2Dスライスのサブセットの完全な監視に依存しています。
詳細な2Dマスクではなく、ターゲットオブジェクトの表面にスパースな3Dポイントのセットを提供するだけでよいという意味で、ボリュームセグメンテーションへのアプローチを提案します。
3Dポイントを使用して3Dテンプレートを変形し、ターゲットオブジェクトの輪郭にほぼ一致するようにします。また、ネットワークをトレーニングして正確な境界を見つけるために提供される監視を活用するアーキテクチャを導入します。
コンピューター断層撮影（CT）、磁気共鳴画像（MRI）、電子顕微鏡（EM）画像データセットでのアプローチを評価し、必要な労力を大幅に削減できることを示しています。

要約(オリジナル)

There are many approaches to weakly-supervised training of networks to segment 2D images. By contrast, existing approaches to segmenting volumetric images rely on full-supervision of a subset of 2D slices of the 3D volume. We propose an approach to volume segmentation that is truly weakly-supervised in the sense that we only need to provide a sparse set of 3D points on the surface of target objects instead of detailed 2D masks. We use the 3D points to deform a 3D template so that it roughly matches the target object outlines and we introduce an architecture that exploits the supervision it provides to train a network to find accurate boundaries. We evaluate our approach on Computed Tomography (CT), Magnetic Resonance Imagery (MRI) and Electron Microscopy (EM) image datasets and show that it substantially reduces the required amount of effort.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google