SA-Seg: Annotation-Efficient Segmentation for Airway Tree Using Saliency-Based Annotation.
研究背景
气道树分割在临床意义重大，但复杂结构使准确标注难。现有注释高效的分割法多针对局部对象，难用于气道树，因此需开发提高注释效率且保持树完整性的方法。
方法速览
- 采用显著性注释方法，仅标注高显著性区域，减少注释工作量。
- 运用显著性偏置建模，通过概率模型和 EM 算法建模注释过程中的显著性偏置。
- 基于 U - Net 架构，用双分支结构实现显著性偏置建模。
- 设计损失函数，结合实例级显著性偏置损失和全局结构损失优化模型性能。
主要发现
- 提高注释效率：提出的基于显著性的注释方法，只需标注高显著性区域，节省 89% 的注释时间。
- 模型性能提升：引入显著性偏置建模，缩小弱注释和全注释性能差距。树长度检测率达 81.17%，分支检测率为 69.12%，Dice 相似系数为 93.65%，精度为 92.84%。
- 有效建模显著性偏置：该建模能有效捕捉注释偏置，处理复杂气道结构时，更准确识别未标注的低显著性区域，提高分割完整性和正确性。
- 对比优势明显：与现有弱监督和伪标签学习方法相比，在多项指标上表现出色，处理真实数据时能平衡分割完整性和正确性。
- 可视化验证有效：可视化结果显示，该方法能更准确识别细小外围分支，验证了显著性偏置建模的有效性。
总结展望
本研究创新性在于引入显著性概念到气道树注释，有效建模注释偏置，采用双分支网络结构。不过存在计算复杂度增加、依赖预训练模型、有假阳性问题等局限。但总体而言，该方法在气道树分割中有应用潜力。