ScribbleVS: Scribble-Supervised Medical Image Segmentation via Dynamic Competitive Pseudo Label Selection

要約

臨床医学では、正確な画像セグメンテーションは臨床医に実質的なサポートを提供します。
ただし、このような精度を達成するには、多くの場合、細かく注釈が付けられた大量のデータが必要となり、コストがかかる可能性があります。
走り書き注釈は、より効率的な代替手段を提供し、ラベル付けの効率を高めます。
ただし、医療画像セグメンテーションのトレーニングにこのような最小限の監視を利用すること、特に走り書きの注釈を使用することは、重大な課題を引き起こします。
これらの課題に対処するために、落書き注釈を活用する新しいフレームワークである ScribbleVS を紹介します。
監視範囲を拡大し、擬似ラベルに存在するノイズの影響を軽減するために、地域擬似ラベル拡散モジュールを導入します。
さらに、疑似ラベルの選択における改良を強化するために、動的競合選択モジュールを提案します。
ACDC および MSCMRseg データセットに対して行われた実験では、有望な結果が実証され、完全に監視された方法論のパフォーマンス レベルをも超えるパフォーマンス レベルが達成されました。
この研究のコードは https://github.com/ortonwang/ScribbleVS で入手できます。

要約(オリジナル)

In clinical medicine, precise image segmentation can provide substantial support to clinicians. However, achieving such precision often requires a large amount of finely annotated data, which can be costly. Scribble annotation presents a more efficient alternative, boosting labeling efficiency. However, utilizing such minimal supervision for medical image segmentation training, especially with scribble annotations, poses significant challenges. To address these challenges, we introduce ScribbleVS, a novel framework that leverages scribble annotations. We introduce a Regional Pseudo Labels Diffusion Module to expand the scope of supervision and reduce the impact of noise present in pseudo labels. Additionally, we propose a Dynamic Competitive Selection module for enhanced refinement in selecting pseudo labels. Experiments conducted on the ACDC and MSCMRseg datasets have demonstrated promising results, achieving performance levels that even exceed those of fully supervised methodologies. The codes of this study are available at https://github.com/ortonwang/ScribbleVS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google