Weakly Supervised Volumetric Image Segmentation with Deformed Templates

摘要

背景
有许多方法可以对网络进行弱监督训练来分割2D图像。依赖于对3D图像的2D切片的子集的完全监督
本文方法

1. 提出了一种真正弱监督的体积分割方法，因为我们只需要在目标对象的表面上提供一组稀疏的3D点，而不是详细的2D掩模
2. 使用3D点来变形3D模板，使其大致匹配目标对象轮廓，并引入了一种利用其提供的监督信号来训练网络以找到准确边界的架构

本文方法

仅在目标对象的表面上提供一组稀疏的3D点，而不是在每个图像体积中仔细注释几个单独的切片。

注释器提供了一些3D点，使用主动曲面模型（ASM）将其拟合到模板中
结果被光栅化并覆盖在图像上
注释器可以添加更多内容，并根据需要再次对模板进行变形

弱监督网络架构
第一个U-Net将图像X作为输入并输出分割结果Y，该分割又被馈送到第二个U-Net，该第二U-Net输出重构图像X~。训练是通过联合最小化Lmse和Lce来实现的。

为了交互式地执行变形，开发了一个GUI，该GUI依赖于作为MITK插件实现的活动曲面模型（ASM）。它允许注释器通过点击输入图像体积的2D横截面来提供一些点。ASM然后实时变形模板，并将其覆盖在图像数据上，作为2D横截面和3D曲面渲染。然后，注释器可以在变形模板离目标器官边界太远的地方添加更多的点，并根据需要经常迭代。这以一种无痛和实用的方式有效地将人类置于循环中。

实验结果