ZScribbleSeg: Zen and the Art of Scribble Supervised Medical Image Segmentation

要約

完全に注釈が付けられた大規模なデータセットのキュレーションは、特に医療画像の場合、労力と専門知識を必要とする場合があります。
この問題を軽減するために、弱く監視されたセグメンテーションに落書き注釈のみを使用することを提案します。
既存のソリューションは主に、注釈付きの領域のみで計算された選択的損失を活用し、隣接する領域にラベルを伝播することによって疑似ゴールド スタンダード セグメンテーションを生成します。
ただし、これらの方法は、監督が不十分で形状の特徴が不完全であるため、不正確で非現実的な疑似セグメンテーションに悩まされる可能性があります。
以前の取り組みとは異なり、最初に「優れた落書き注釈」の原則を調査します。これは、監視の最大化とランダム性シミュレーションを介して効率的な落書きフォームにつながります。
さらに、空間関係と事前形状をエンコードする正則化項を導入し、ラベル クラスの混合比を推定する新しい定式化を開発します。
これらの比率は、各クラスのラベル付けされていないピクセルを識別し、誤った予測を修正する上で重要です。したがって、正確な推定は、空間事前分布を組み込むための基礎を築きます。
最後に、ZScribbleSeg として示される統合されたフレームワークに効率的な落書き監視を事前に統合し、その方法を複数のシナリオに適用します。
ZScribbleSeg は落書き注釈のみを活用して、ACDC、MSCMRseg、MyoPS、および PPSS データセットを使用して、4 つのセグメンテーション タスクに新しい最先端技術を設定しました。

要約(オリジナル)

Curating a large scale fully-annotated dataset can be both labour-intensive and expertise-demanding, especially for medical images. To alleviate this problem, we propose to utilize solely scribble annotations for weakly supervised segmentation. Existing solutions mainly leverage selective losses computed solely on annotated areas and generate pseudo gold standard segmentation by propagating labels to adjacent areas. However, these methods could suffer from the inaccurate and sometimes unrealistic pseudo segmentation due to the insufficient supervision and incomplete shape features. Different from previous efforts, we first investigate the principle of ”good scribble annotations”, which leads to efficient scribble forms via supervision maximization and randomness simulation. Furthermore, we introduce regularization terms to encode the spatial relationship and shape prior, where a new formulation is developed to estimate the mixture ratios of label classes. These ratios are critical in identifying the unlabeled pixels for each class and correcting erroneous predictions, thus the accurate estimation lays the foundation for the incorporation of spatial prior. Finally, we integrate the efficient scribble supervision with the prior into a unified framework, denoted as ZScribbleSeg, and apply the method to multiple scenarios. Leveraging only scribble annotations, ZScribbleSeg set new state-of-the-arts on four segmentation tasks using ACDC, MSCMRseg, MyoPS and PPSS datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google