.png){kind=icon}
返回
Semantic Segmentation with Spreading Scribbles
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-98694-9_6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
手绘标注医学图像中的分割掩码需要临床专家投入大量的时间和精力。用更简单的标注手势替代完整掩码可以降低标注成本。这种标注可以采用涂鸦的形式，并导致弱监督训练场景。涂鸦监督分割通常利用先进的神经网络架构来弥补训练数据的不足。除了严格依赖每个涂鸦的像素外，我们还通过扩散（即传播）来增强每个涂鸦，即在图像中传播标注标签。我们使用分水岭/瀑布变换生成图像的分层分割，并通过瀑布区域传播单个像素标签。我们提出，语义标签可以传播到同一瀑布区域内的所有其他像素。这增加了可用于训练监督的像素数量。实验表明，该技术显著提升了现有神经网络架构在公开语义分割数据集（如ACDC和MSCMRseg）上的性能。
Keyword:
Scribble-supervised segmentation
Waterfall transform
Spreading scribbles
期刊
M
IF:
0
论文数:
23
被引数:
0
机构
引用论文
.png){kind=icon}
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏
查看更多内容