CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement

要約

腫瘍領域のセグメンテーションは、デジタルパソロジーの定量的分析にとって不可欠なタスクです。
最近発表されたディープ ニューラル ネットワークは、さまざまな画像セグメンテーション タスクにおいて最先端のパフォーマンスを示しています。
しかし、病理画像ではがん領域と正常領域の境界が不明確なため、最新の手法を用いても、医療データに求められる信頼性や精度の点で満足のいくセグメンテーション結果を得ることが困難です。
この研究では、ユーザーがクリック型のユーザーインタラクションを通じてディープニューラルネットワークの出力を調整できるようにするインタラクティブなセグメンテーション手法を提案します。
主な方法は、クリック誘導アテンション モジュール (CGAM) を使用して、ユーザー指定のクリック制約と特徴マップ内のセマンティック情報の両方を活用する最適化問題としてインタラクティブ セグメンテーションを定式化することです。
他の既存の方法とは異なり、CGAM はユーザーのクリックの過剰適合につながる可能性のあるセグメンテーション結果の過度の変更を回避します。
CGAM のもう 1 つの利点は、モデルのサイズが入力画像のサイズに依存しないことです。
病理学画像データセットの実験結果は、私たちの方法が既存の最先端の方法よりも優れていることを示しました。

要約(オリジナル)

Tumor region segmentation is an essential task for the quantitative analysis of digital pathology. Recently presented deep neural networks have shown state-of-the-art performance in various image-segmentation tasks. However, because of the unclear boundary between the cancerous and normal regions in pathology images, despite using modern methods, it is difficult to produce satisfactory segmentation results in terms of the reliability and accuracy required for medical data. In this study, we propose an interactive segmentation method that allows users to refine the output of deep neural networks through click-type user interactions. The primary method is to formulate interactive segmentation as an optimization problem that leverages both user-provided click constraints and semantic information in a feature map using a click-guided attention module (CGAM). Unlike other existing methods, CGAM avoids excessive changes in segmentation results, which can lead to the overfitting of user clicks. Another advantage of CGAM is that the model size is independent of input image size. Experimental results on pathology image datasets indicated that our method performs better than existing state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google