Core Concepts
ノイズの多い境界ボックス注釈を使用しても、単調性制約に基づいて頑健なピクセル単位の分割を達成できる。
Abstract
本論文は、ボックス監視ポリープ分割の新しい手法「MonoBox」を提案している。従来のボックス監視分割手法は、境界ボックスの縁がターゲットの境界に正確に接する必要があるという前提に基づいていた。しかし、ポリープの特性(境界の曖昧さ、正常組織との低コントラスト、小さなサイズ)により、実際の注釈ボックスはしばしば不正確になる。
MonoBoxは、この問題に取り組むために以下の2つの主要な特徴を持っている:
信頼できる領域(ボックス内部)と信頼できない領域(ボックスの縁付近)を定義し、後者に対して新しい単調性制約(MC)を適用する。MCは、ボックス内部の応答がボックス外部の応答よりも高くなるようにモデルを最適化する。これにより、不正確なボックス注釈に起因する誤った学習を回避できる。
ラベル補正戦略を導入し、前エポックの予測マスクを使ってボックス注釈のタイトネスを徐々に改善する。これにより、学習の効率が高まる。
実験では、公開合成ノイズデータセットと自社の実際のノイズデータセットで、MonoBoxが他の最先端の手法に比べて優れた性能を示すことを確認した。Diceスコアが少なくとも5.5%と3.3%向上した。
Stats
ポリープ分割は、世界中で健康に脅威を及ぼす大腸がんの早期発見に重要である。
従来の深層学習ベースのポリープ分割手法は、ピクセル単位のマスクラベルを必要とするため、コストがかかる。
ボックス監視分割手法は、より安価なボックス注釈を使用できるが、ボックスの正確さが前提となっており、ポリープの特性により実現が困難である。
Quotes
"ノイズの多い境界ボックス注釈を使用しても、単調性制約に基づいて頑健なピクセル単位の分割を達成できる。"
"ラベル補正戦略を導入し、前エポックの予測マスクを使ってボックス注釈のタイトネスを徐々に改善する。これにより、学習の効率が高まる。"