在生物医学图像中用于凸物体细分的多边近似学习,具有界限框监督

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
• 生物医学工程 生物医学工程

背景情况:

• 生物医学图像细分的深度学习需要广泛的细粒度注释,这是昂贵和耗时的.
• 现有的方法与数据依赖性作斗争,限制了它们在资源有限的场景中的应用.
• 界限框监督提供了一种不那么劳动密集的替代方案,但往往产生不理想的细分结果.

研究的目的:

• 引入多边近似学习 (PAL),一种新的方法,用于仅使用边界框监督的凸模对象实例细分.
• 为了证明凸物体的检测模型内在包含从边界框中得出的分段信息.
• 验证PAL的有效性,并将其性能与生物医学成像中的现有方法进行比较.

主要方法:

• 拟议的多边形近似学习 (PAL) 例如细分与边界框监督.
• 使用反复检测方法与旋转的生物医学图像来从检测模型中提取细分信息.
• 采用子损失函数,结合旋转检测结果的投影来训练细分模型.

主要成果:

• 在凸对象实例细分 (例如,核) 方面,PAL显著优于BoxInst等现有的盒子监督模型.
• 帕尔实现了与面具监督模型 (如Mask R-CNN和Cascade Mask R-CNN) 相似的性能.
• 在非凸物体实例细分任务上展示了PAL的显著性能,包括手术仪器和器官.

结论:

• 通过利用边界框监督,PAL有效地减轻了基于深度学习的生物医学图像细分中的数据依赖.
• 该方法为传统注释密集型方法提供了经济有效和高效的替代方案.
• 在涉及凸和非凸物体细分的各种生物医学成像任务中,PAL显示了广泛的适用性.