面部纹细分使用加权深度监督和半自动标签.

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算机视觉 计算机视觉
• 皮肤病学 皮肤病学

背景情况:

• 脸部纹是衰老的关键指标,但由于薄弱和图像比例小,它们的细分具有挑战性.
• 深度学习方法显示出希望,但需要进一步提高性能,以实现准确的纹细分.

研究的目的:

• 通过结合纹厚度来开发一种新的损失函数,以改进纹细分.
• 为更准确的训练损失计算引入加权深度监督方法.

主要方法:

• 提出了一个加权的深度监督方法,使用从地面真相生成的加权纹地图.
• 使用了U-Net架构,并将该方法评估在具有半自动标签的皮肤分析设备数据集上.
• 通过将该方法应用于视网膜血管细分来评估可扩展性.

主要成果:

• 与传统方法相比,加权深度监督方法在纹细分方面实现了更高的雅卡德相似度指数 (JSI).
• 半自动标签显示出比人类标签更一致的纹标签.
• 该方法在视网膜血管细分方面表现出卓越的性能,表明其广泛适用性.

结论:

• 拟议的加权深度监督方法显著提高了纹细分的准确性.
• 半自动标签为生物医学图像分析提供了可靠的替代品.
• 该方法具有高性能,可跨生物医学领域扩展,并且与U-Net架构兼容.