Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images

要約

医療画像のセグメンテーションは、十分な注釈付きデータが利用できない分野の 1 つです。
これには、少数ショット学習などの低データ フレームワークの適用が必要になります。
現在のプロトタイプベースのフレームワークでは、サポート イメージとクエリ イメージ内の特徴の変動が考慮されていないことが多く、プロトタイプの調整に大きな差異が生じます。
この研究では、セマンティック セグメンテーション タスク自体を学習するために、スーパーピクセルから生成された擬似ラベルを使用するプロトタイプ ベースの自己教師あり一方向ワンショット学習フレームワークを採用します。
相関ベースの確率スコアを使用して、サポート特徴マップから取得したプロトタイプのバッグから各クエリ ピクセルの動的なプロトタイプを生成します。
この重み付けスキームは、コンテキストに関連するプロトタイプに高い重み付けを与えるのに役立ちます。
また、以前のドメイン情報を利用して不要な誤検知を破棄することにより、下流のセグメンテーション タスクで象限マスキング戦略を提案します。
腹部 CT および MR データセットに関する広範な実験と評価を示し、提案されたシンプルだが強力なフレームワークが最先端の方法と同等に機能することを示します。

要約(オリジナル)

Medical image segmentation is one of the domains where sufficient annotated data is not available. This necessitates the application of low-data frameworks like few-shot learning. Contemporary prototype-based frameworks often do not account for the variation in features within the support and query images, giving rise to a large variance in prototype alignment. In this work, we adopt a prototype-based self-supervised one-way one-shot learning framework using pseudo-labels generated from superpixels to learn the semantic segmentation task itself. We use a correlation-based probability score to generate a dynamic prototype for each query pixel from the bag of prototypes obtained from the support feature map. This weighting scheme helps to give a higher weightage to contextually related prototypes. We also propose a quadrant masking strategy in the downstream segmentation task by utilizing prior domain information to discard unwanted false positives. We present extensive experimentations and evaluations on abdominal CT and MR datasets to show that the proposed simple but potent framework performs at par with the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google