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

要約

弱教師あり学習 (WSL) は、データ アノテーションのコストとモデル パフォーマンスの間の競合を緩和するために提案されており、疎粒度 (つまり、ポイント、ボックス、スクリブルごと) の監視を採用しており、特に画像で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。
ただし、監督が限られているため、特に少数のラベル付きサンプルしか入手できない場合は、依然として非常に困難な作業です。
さらに、ほとんどすべての既存の WSL セグメンテーション方法は、血管や神経などの曲線構造とは大きく異なる星形凸構造用に設計されています。
この論文では、YoloCurvSeg という名前の、曲線構造のため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、膨張したスケルトンを修復することにより、実際の分布に厳密に一致する画像の背景を提供します。
抽出された背景は、Space Colonization Algorithm ベースのフォアグラウンド ジェネレータ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組み合わされ、多層パッチごとの対照的な学習シンセサイザーによって結合されます。
このようにして、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が、1 つまたはいくつかのノイズの多いスケルトン アノテーションが犠牲になります。
最後に、セグメンターは、生成されたデータセットと、場合によってはラベル付けされていないデータセットを使用して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、結果は、YoloCurvSeg が最先端の WSL セグメンテーション方法よりも大幅に優れていることを示しています。
ノイズの多いスケルトン アノテーションが 1 つだけ (完全なアノテーションのそれぞれ 0.14%、0.03%、1.40%、0.65%) の場合、YoloCurvSeg は各データセットで完全に監視されたパフォーマンスの 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