Die Studie präsentiert eine neue Methode zur effizienten Segmentierung medizinischer 3D-Bilder mithilfe von Kritzeln als Annotationen. Im Gegensatz zu herkömmlichen dichten Annotationen erfordern Kritzeln deutlich weniger Aufwand bei der Erstellung großer Datensätze.
Die Autoren identifizieren zwei Hauptprobleme bisheriger Kritzelmethoden: 1) die Komplexität vieler Methoden, die sie stark an das zugrunde liegende Segmentierungsmodell binden, und 2) der Mangel an systematischer Evaluierung über verschiedene medizinische Anwendungsfälle hinweg.
Um diese Probleme anzugehen, schlagen die Autoren einen umfassenden Benchmark für Kritzelsupervision vor, der sieben verschiedene Datensätze mit unterschiedlichen Anatomien, Pathologien und Bildmodalitäten umfasst. Außerdem führen sie eine Erweiterung bestehender Segmentierungsverluste ein, die es ermöglicht, state-of-the-art Methoden wie nnU-Net für das Training mit Kritzeln zu nutzen.
Die Evaluierung zeigt, dass die vorgeschlagene Methode der partiellen Verluste die Leistung bestehender Kritzelmethoden deutlich übertrifft und sogar an die Leistung von Modellen herankommt, die mit dichten Annotationen trainiert wurden. Darüber hinaus ist die Methode sehr einfach zu implementieren und kann nahtlos in beliebige Segmentierungsmodelle integriert werden.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Pertanyaan yang Lebih Dalam