基于Poisson的图像编辑,用于半监督的白风病变细分,并提供有限的注释.

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 皮肤病学 皮肤病学

背景情况:

• Vitiligo 病变细分对于治疗评估至关重要,但由于注释数据和图像收集有限,它面临着挑战.
• 现有的方法通常需要大型标记数据集,这阻碍了数据稀缺领域的可复制性和可转移性.
• 需要创新的方法,利用未标记的数据进行细分,使用最小的注释样本.

研究的目的:

• 开发数据增强策略,从有限的注释数据中合成高质量的白风图像.
• 调整平均教师框架以实现有效的半监督学习,减少对密集注释的依赖.
• 引入双向白病变细分 (Bimodal Vitiligo Lesions Segmentation,简称BVLS) 数据集,以解决白病细分数据集的稀缺问题.

主要方法:

• 一种基于图像编辑的新型数据增强技术,用于生成多样化和视觉现实的训练样本.
• 实施平均教师框架,从未标记的数据中挖掘可靠的预测,使用高可靠性伪标签.
• 创建和利用双模性白病变细分 (BVLS) 数据集,包括详细的细分面具和双模图像.

主要成果:

• 与现有方法相比,拟议的数据增强策略显著改善了UNet骨干上的细分性能 (+17.27%).
• 半监督框架实现了值得注意的49.71%的联盟交叉点 (IoU),只使用了10%的注释图像.
• 开发的BVLS数据集和增强技术提高了白风病变的细分精度.

结论:

• 图像编辑数据增强和半监督学习的结合方法有效地解决了白风细分中的数据稀缺性的局限性.
• 该方法提供了一种具有成本效益的解决方案,可以提高细分性能,而不需要大量的手动注释.
• 该研究为推进自动化白风评估研究提供了宝贵的资源 (BVLS数据集和代码).