Core Concepts
Eine innovative box-überwachte Segmentierungsmethode, die durch Monotonie-Einschränkung die Bindung an die benutzerunfreundliche Box-Enge-Annahme befreit.
Abstract
Der Artikel stellt MonoBox vor, eine innovative box-überwachte Segmentierungsmethode, die durch Monotonie-Einschränkung die Bindung an die benutzerunfreundliche Box-Enge-Annahme befreit. Im Gegensatz zu herkömmlichen box-überwachten Segmentierungsmethoden, bei denen die Boxkanten die Zielgrenzen genau berühren müssen, nutzt MonoBox ungenau annotierte Boxen, um eine robuste pixelweise Segmentierung zu erreichen. Der Schlüssel ist, dass MonoBox innerhalb der verrauschten Zonen um die Boxkanten den irreführenden Mehrfachinstanz-Lernverlust verwirft und stattdessen ein sorgfältig entworfenes Ziel, die Monotonie-Einschränkung, optimiert. Entlang der Richtungen, die vom Vordergrund zum Hintergrund übergehen, lenkt diese neue Einschränkung die Antworten so, dass sie einem Trend monoton abnehmender Werte folgen. Infolgedessen wird das ursprünglich unzuverlässige Lernen in den verrauschten Zonen in eine korrekte und effektive Monotonie-Optimierung umgewandelt. Darüber hinaus wird eine adaptive Labelkorrektur eingeführt, die MonoBox in die Lage versetzt, die Enge der Boxannotationen unter Verwendung der vorhergesagten Masken aus der vorherigen Epoche zu verbessern und die verrauschten Zonen während des Trainings dynamisch zu verkleinern. MonoBox wird bei der box-überwachten Segmentierung von Polypen verifiziert, bei der eine zufriedenstellende Box-Enge aufgrund der unscharfen Grenzen zwischen Polyp und normalem Gewebe eine Herausforderung darstellt. Experimente auf öffentlichen synthetischen und hausinternen realen verrauschten Datensätzen zeigen, dass MonoBox andere anti-Rausch-State-of-the-Art-Methoden übertrifft, indem es den Dice-Koeffizienten um mindestens 5,5% bzw. 3,3% verbessert.
Stats
Die Charakteristika von Polypen, wie verschwommene Grenzen, geringer Kontrast zu normalem Gewebe und kleine Größen, führen zu Ungenauigkeiten bei den Annotatoren und zu ungenauen (d.h. nicht engen) Boxannotationen.
MonoBox verbessert den Dice-Koeffizienten um mindestens 5,5% und 3,3% auf dem öffentlichen und hausinternen Datensatz im Vergleich zu anderen anti-Rausch-State-of-the-Art-Methoden.
Quotes
"MonoBox discards the traditional misguiding multiple-instance learning loss, and instead optimizes a carefully-designed objective, termed monotonicity constraint."
"Along directions transitioning from the foreground to background, this new constraint steers responses to adhere to a trend of monotonically decreasing values."