YoloCurvSeg: You Only Label One Noisy Skeleton for Vessel-style Curvilinear Structure Segmentation

要約

弱教師あり学習 (WSL) は、まばらな粒度 (つまり、ポイント、ボックス、落書き単位) の監視を採用することで、データ アノテーションのコストとモデルのパフォーマンスの間の矛盾を軽減するために提案されており、特に画像において有望なパフォーマンスを示しています。
セグメンテーションフィールド。
しかし、特に少数のラベル付きサンプルしか入手できない場合、監督が限られているため、これは依然として非常に困難な作業です。
さらに、既存のほぼすべての WSL セグメンテーション手法は、血管や神経などの曲線構造とは大きく異なる星型凸構造用に設計されています。
この論文では、YoloCurvSeg と呼ばれる、曲線構造用のまばらに注釈が付けられた新しいセグメンテーション フレームワークを提案します。
YoloCurvSeg の非常に重要なコンポーネントは画像合成です。
具体的には、背景ジェネレーターは、拡張されたスケルトンを修復することで、実際の分布に厳密に一致する画像の背景を提供します。
次に、抽出された背景は、Space Colonization Algorithm ベースの前景ジェネレーターと多層パッチごとの対比学習シンセサイザーによって生成された、ランダムにエミュレートされた曲線と結合されます。
このようにして、ノイズの多いスケルトン アノテーションを 1 つまたは少数だけ犠牲にして、画像と曲線セグメンテーション ラベルの両方を含む合成データセットが取得されます。
最後に、生成されたデータセットと、場合によってはラベルのないデータセットを使用してセグメンターがトレーニングされます。
提案された YoloCurvSeg は、公開されている 4 つのデータセット (OCTA500、CORN、DRIVE、および CHASEDB1) で評価され、その結果は、YoloCurvSeg が最先端の WSL セグメンテーション手法を大幅に上回っていることを示しています。
ノイズのあるスケルトン アノテーションが 1 つだけ (それぞれ、完全なアノテーションの 0.14\%、0.03\%、1.40\%、および 0.65\%)、YoloCurvSeg は各データセットで完全監視パフォーマンスの 97\% 以上を達成します。
コードとデータセットは https://github.com/llmir/YoloCurvSeg でリリースされます。

要約(オリジナル)

Weakly-supervised learning (WSL) has been proposed to alleviate the conflict between data annotation cost and model performance through employing sparsely-grained (i.e., point-, box-, scribble-wise) supervision and has shown promising performance, particularly in the image segmentation field. However, it is still a very challenging task due to the limited supervision, especially when only a small number of labeled samples are available. Additionally, almost all existing WSL segmentation methods are designed for star-convex structures which are very different from curvilinear structures such as vessels and nerves. In this paper, we propose a novel sparsely annotated segmentation framework for curvilinear structures, named YoloCurvSeg. A very essential component of YoloCurvSeg is image synthesis. Specifically, a background generator delivers image backgrounds that closely match the real distributions through inpainting dilated skeletons. The extracted backgrounds are then combined with randomly emulated curves generated by a Space Colonization Algorithm-based foreground generator and through a multilayer patch-wise contrastive learning synthesizer. In this way, a synthetic dataset with both images and curve segmentation labels is obtained, at the cost of only one or a few noisy skeleton annotations. Finally, a segmenter is trained with the generated dataset and possibly an unlabeled dataset. The proposed YoloCurvSeg is evaluated on four publicly available datasets (OCTA500, CORN, DRIVE and CHASEDB1) and the results show that YoloCurvSeg outperforms state-of-the-art WSL segmentation methods by large margins. With only one noisy skeleton annotation (respectively 0.14\%, 0.03\%, 1.40\%, and 0.65\% of the full annotation), YoloCurvSeg achieves more than 97\% of the fully-supervised performance on each dataset. Code and datasets will be released at https://github.com/llmir/YoloCurvSeg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google