DEPT: Deep Extreme Point Tracing for Ultrasound Image Segmentation

要約

自動医療画像セグメンテーションは、コンピューター支援診断において重要な役割を果たします。
ただし、完全に監視されている学習アプローチには、多くの場合、大規模で労働集約的な注釈の取り組みが必要です。
この課題に対処するために、監視された学習方法、特に極端なポイントを監督信号として使用する方法は、効果的なソリューションを提供する可能性があります。
このホワイトペーパーでは、超音波画像セグメンテーションのために、機能誘導極端なポイントマスキング（FGEPM）アルゴリズムと統合されたディープエクストリームポイントトレース（Dept）を紹介します。
特に、この方法は、機能マップベースのコストマトリックスのすべての極端なポイントを接続する最低コストのパスを識別することにより、擬似ラベルを生成します。
さらに、擬似ラベルを徐々に改良し、継続的なネットワークの改善を可能にする反復トレーニング戦略が提案されています。
2つのパブリックデータセットの実験結果は、提案された方法の有効性を示しています。
私たちの方法のパフォーマンスは、完全に監視された方法のパフォーマンスに近づき、いくつかの既存の弱い監視された方法を上回ります。

要約(オリジナル)

Automatic medical image segmentation plays a crucial role in computer aided diagnosis. However, fully supervised learning approaches often require extensive and labor-intensive annotation efforts. To address this challenge, weakly supervised learning methods, particularly those using extreme points as supervisory signals, have the potential to offer an effective solution. In this paper, we introduce Deep Extreme Point Tracing (DEPT) integrated with Feature-Guided Extreme Point Masking (FGEPM) algorithm for ultrasound image segmentation. Notably, our method generates pseudo labels by identifying the lowest-cost path that connects all extreme points on the feature map-based cost matrix. Additionally, an iterative training strategy is proposed to refine pseudo labels progressively, enabling continuous network improvement. Experimental results on two public datasets demonstrate the effectiveness of our proposed method. The performance of our method approaches that of the fully supervised method and outperforms several existing weakly supervised methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google