通过形状先验和对比学习进行点监督的底层血管细分.

科学领域:

• 医疗成像医学成像
• 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:

• 完全监督的基金容器细分需要广泛的像素智能注释,这是昂贵和耗时的.
• 薄弱的注释简化了标签,但限制了全面的信息学习.
• 伪标签方法可能会受到假阳性预测的阻碍,对培训产生负面影响.

研究的目的:

• 引入点注释作为基金船舶细分的成本效益较高的替代方案.
• 提出基于点的船舶细分网络 (PVN),以提高细分精度.
• 为了平衡注释成本与监督信息质量.

主要方法:

• 开发了使用点注释的基于点的船舶细分网络 (PVN).
• 集成的点激活地图,以学习船只形状的先行者作为软监督,减轻伪标签噪声.
• 设计了一种新的对比学习方法 (像素和区域混合) 来学习歧视性特征.

主要成果:

• 与其他点监督方法相比,PVN在多个 fundus 图像数据集上表现出卓越的性能.
• 即使只有1%的注释像素,也实现了出色的细分性能.
• 该方法证明灵活,易于与其他框架集成.

结论:

• 点点注释对于基底血管细分是有效的,大大减少了注释工作.
• PVN提供了一种新且高效的方法,可以在最低限度的监督下对基金船进行细分.
• 这项工作开创了在这个领域使用点注释的先驱.